r - lmer语法问题

Question

我正在尝试做一些混合/固定效果建模，并且遇到了 lme4 包，其中包括 lmer 函数。但老实说，我真的对语法感到困惑，我已经尝试查看文档，但我不确定我是否完全理解，而且我所看到的似乎有些不同。

例如我有这样的东西:

T <- lmer(Y ~ Treatment + 0 + (1|Block) + (1|Subblock), data = D, REML = FALSE)
T1 <- lmer(Y ~ 1 + (1|Block) + (1|Subblock), data = D, REML = FALSE)

任何人都可以“快速”解释这实际上意味着什么吗？就像，| 之前的 1表示变量Block或Subblock应该被视为随机效果，而Treatment是固定效果。但是单个 1 和 0 呢？我可以更改 | 之前的 1 吗？到 0，如果是，那是什么意思？

Answer 1

Y ~ Treatment + 0 + (1|Block) + (1|Subblock)

(顺便说一下，我不建议在 R 中使用 T 作为变量名...)

• 0+Treatment 表示治疗的固定效果，在“虚拟”或“治疗”编码(默认)中，拦截被抑制(这就是 0表示这里)；换言之，治疗 的每个水平都有一个固定效应参数，等于该治疗中观察值的预期值。
• (1|Block) + (1|Subblock) 表示模型截距在 block 之间和子 block 之间的随机变化(这就是 1 在这里的意思):它假定子 block 是唯一编码的(例如 A1、A2、...、B1、B2、...而不是 1、2、...、1、2、...)

Y ~ 1 + (1|Block) + (1|Subblock)

同上，但现在没有固定的处理效果 - 只有实验范围的截距值。

您可以比较这两个模型(例如使用 anova() 进行似然比检验或使用 AIC())来检验 Treatment 的统计显着性。

参见 GLMM FAQ或 this question有关 lme4 语法的更多详细信息。

PS 在随机效应规范中将 1 更改为 0 会很奇怪； 如果它完全起作用(我不确定它会起作用)，原则上它等同于抑制随机效应(“不同群体有什么不同？什么都没有”)——这会更容易只需将该 RE 完全排除在公式之外...