问题标签 [lmertest]

我使用该功能拟合了一个模型lmer()（效果很好）。我有 11 个解释变量。其中三个，如果存在于模型中，会导致step()函数（来自 package lmerTest）返回错误：“变量长度不同（在“...”上找到）”，其中“...”是公式调用。我的数据中没有任何 NA 值：有 600 行，所有三个有问题的变量 ( H, I, J) 都是因子。

我的代码是：

我知道当有 NA 时这个错误很常见，但是在这种情况下错误是什么？我该如何解决？

我正在使用lmerTest::lmer()重复测量数据执行线性回归。

我的模型包含一个固定效应（具有 5 个级别的因子）和一个随机效应（主题）：

我想在生成的回归表中包含观察总数、受试者数量、总 R^2 和固定效应的 R^2 modelsummary()。

我试图提取这些并按照包作者的gof_map 描述构建一个，但没有成功。下面是我的模型输出从lmerTest::lmer()获得的性能度量中获得的：

曾经使用lmerTest::lmer()重复测量数据执行线性回归，我想调整多重比较。
我运行了几个模型并使用 Bonferroni-Holm 来调整每个模型，请参阅下面的方法。
最终，我想生成一个带有模型摘要的回归表，其中应包括调整后的 p 值和额外的拟合优度统计信息（就像在这个 SO 帖子中一样）。

– 也许还有一种更简单的方法modelsummary()来调整我还不知道的 p 值？ （既适用于单独的模型，也适用于/跨一组模型）

MWE

但是，在调整 p 值后，模型中的类从“lmerModLmerTest”变为“summary.glht”

“summary.glht”是modelsummary 支持的模型列表之一，我成功获得了估计值和 p 值：

但是，获得拟合优度统计数据没有成功：

为了能够在最终回归表中包含调整后的 p 值，我尝试使用自定义函数为“summary.glht”生成一个自定义类，以提取估计值和拟合优度信息。我扫描summary(mod1_adj)了所需的信息，例如，summary(mod1_adj)$coef但没有找到创建 fcts 所需的所有信息。

我确实有一个复杂的线性混合效应模型。

这在 R、lmerTest 中完美运行。甚至没有收敛警告。但是在 python statsmodels 中，它给出了错误：奇异矩阵。

我认为这两个包（R 中的 lmerTest，Python 中的 lme）给出了相同的输出。

有谁知道为什么会发生这种情况？我更像是一个初学者，所以我不能在这里真正模拟我的数据。

谢谢！

我有两个模型：

模型1 = y~ a+b*c+ 1|d

模型2 = y~ a*e+c+1|d

我想比较一下他们的表现。

anova(model1, model2)

这是结果：

为什么p值为0？

谢谢！

绝望的研究生

我使用. lmer_ 使用我可以获得模型中包含的固定效果的平方和。不幸的是，没有提供总平方和 (SSTO) 和误差平方和 (SSE)。有没有办法获得这些值？我在下面包含了一个人为的数据集，用于检查解决方案。lme4RlmerTest::anova

我想使用一些选择标准来比较两个模型。但是，与使用 BIC 和 CAIC 的结果相比，我使用 AICC 得到的结果不同。根据 Gurka (2006) 的说法，这两种类型的选择标准会根据模型公式的不同做出不同的反应。显然，根据 Gurka (2006)，它们的适用性不同，具体取决于模型公式中是否包含对数似然函数的常数。在 SAS procmixed 中，不包括常量。但是，我无法确定它是否包含在 with 的模型计算中lmer，lmerTest因为我不正确理解模型公式。如果有人知道答案，我将非常感激:)

文献：Gurka, MJ (2006)：在 REML 下选择最佳线性混合模型。在：美国统计学家 60 (1), S. 19–26。

使用dat（在此处找到），我运行以下模型：

的输出summary(model)表明交互项是显着的：

但是当我尝试sjPlot使用 95% 置信区间来绘制交互时，得到的区间不会使交互看起来很重要......

我的两个问题：

1. 为什么估计和绘制的结果似乎讲述了不同的故事？
2. 如何从模型中提取系数的置信区间以创建自己的图表而不是使用plot_model()？我想制作一个条形图来说明相互作用，因为变量ess和post是二元的。

注意：我很高兴使用lme4- 应该得到相同的结果，当总结 lme4 对象时，什么系数很重要并不那么明显，我希望这个问题非常清楚。

如何在统计测试中解释成对观察，而不是t-test？下面我将讨论两个示例，在这些示例中，我尝试使用混合效果的方法来做到这一点并失败了。

示例1：如何t.test(..., paired=T)重现lm()？

如果观察结果是配对的，则可以解释它，t.test()但如何lm()（如果可能）这样做？我尝试使用混合效应模型方法，但是：

给出一个错误：

尽管：

运行但固定效应参数估计和相关的标准。误差和 t 值与 产生的相同lm()。

示例 2：具有成对观测值的线性回归

假设我创建的数据集中的观察结果来自相隔 30 天测量的受试者——即，100 名受试者中的每一个都在第 0 天测量，然后在第 30 天再次测量——我们想估计随时间的变化率：

数据看起来像这样（黑色线性回归，红线链接的配对数据）：

lm1不考虑观察的配对性质。我想运行一个混合效应模型，允许每对数据的截距和斜率不同，但 R 再次抗议我试图估计太多参数：

一个更简单的模型，它允许数据对的截距不同但斜率不同，即：

抱怨：

但是运行并产生与lm().

[更新]

@Limey 提醒我，配对 t 检验只不过是评估两组之间的成对差异是否不为零的 t 检验。这种成对差异可用于在测试之外执行任何成对统计测试。为了验证这一点，我创建了三个不同的“响应”变量，它们是不同方式的组合x1和x2排序（分别为：原始随机顺序；x1按递增和x2递减顺序；均按递增顺序）。

我计算了相应的差异：

并用它们来执行线性模型：

我预计它们的斜率估计会有所不同，但它们都是一样的：

它们的斜率估计与从相应的“未配对”线性模型（lm(response~time)、lm(response2~time)和lm(response3~time)）估计的相同。我错过了什么？

这是我的数据：

当我将混合模型与treat和arm作为因素拟合时：

该ls_means语句不返回任何结果。任何人都可以帮助解决问题吗？