层级模型 (lme4) 简介

什么是层级模型？

层级模型（Hierarchical Models），也称为多水平模型（Multilevel Models）或线性混合效应模型（Linear Mixed-Effects Models, LMM），是一种用于处理具有嵌套结构数据的统计方法。例如：学生嵌套在班级中、重复测量嵌套在个体中、或观测值嵌套在不同地点。

传统的线性回归假设所有观测值相互独立，但在层级数据中，同一组内的观测值往往存在相关性。忽略这种相关性会导致标准误估计偏差，从而得出错误的推断结论。

为什么使用 lme4？

lme4 是 R 语言中最强大且广泛使用的包之一，专门用于拟合线性混合效应模型 (lmer) 和广义线性混合效应模型 (glmer)。

核心优势：

1. 处理非独立数据：能够同时建模固定效应（总体趋势）和随机效应（组间差异）。
2. 灵活性：支持复杂的随机效应结构（如随机截距、随机斜率及其相关性）。
3. 计算效率：基于 C++ 编写，能快速处理大规模数据集。
4. 稀疏矩阵技术：有效处理高维随机效应。

模型公式语法

在 lme4 中，模型公式通常遵循以下格式：

lmer(Y ~ Fixed_Effects + (Random_Effects | Grouping_Variable), data = dataset)

• Y: 连续型因变量。
• Fixed_Effects: 固定效应部分，与普通线性回归类似。
• (1 | Group): 表示仅随机截距。
• (X | Group): 表示随机截距和随机斜率。

本示例将使用 sleepstudy 数据集，分析睡眠剥夺天数对反应时间的影响，并考虑个体差异带来的随机效应。

结果展示说明

本部分描述运行 main.R 脚本后，控制台将输出的文字结果及其含义。

1. 数据结构预览 (str(sleepstudy))

• 输入操作*：运行 str(sleepstudy)
• 输出描述*：

系统将显示 sleepstudy 数据框的结构信息。你会看到它是一个包含 180 行观测的数据集，主要包含三列：

• Reaction: 数值型，表示平均反应时间（毫秒）。
• Days: 数值型，表示睡眠剥夺的天数（0-9）。
• Subject: 因子型，表示受试者编号（共 18 位受试者，每位 10 次测量）。

这表明数据具有典型的层级结构：多次测量嵌套在受试者内部。

2. 模型摘要 (summary(model))

• 输入操作*：运行 summary(model)
• 输出描述*：

控制台将打印详细的模型拟合结果，主要包含以下几个板块：

• General linear mixed model fit by REML: 显示模型使用的是限制性最大似然估计 (REML)，以及 AIC、BIC 和对数似然值。
• Random effects: 显示随机效应部分。你会看到 Subject 的方差（Variance）和标准差（Std.Dev.），这代表了不同受试者之间基准反应时间的变异程度。下方还会显示残差（Residual）的方差。
• Fixed effects: 显示固定效应部分的表格。包含两行：
  • (Intercept): 截距项，表示第 0 天时的平均反应时间估计值。会显示 Estimate（估计值）、Std. Error（标准误）、df（自由度）、t value（t 值）以及 Pr(>|t|)（p 值）。
  • Days: 斜率项，表示每增加一天睡眠剥夺，反应时间平均增加的毫秒数。通常 p 值会非常小（< 0.05），表明天数对反应时间有显著影响。
• Correlation of Fixed Effects: 显示固定效应之间的相关性矩阵（此处为截距与天数的相关性）。

3. 固定效应系数 (fixef(model))

• 输入操作*：运行 print(fixef_result)
• 输出描述*：

输出一个命名的数值向量，仅包含两个数值：

• (Intercept): 约 251.4（具体数值依计算精度略有浮动），代表群体平均基准反应时间。
• Days: 约 10.47，代表随着睡眠剥夺天数增加，反应时间平均每天增加约 10.5 毫秒。

4. 随机效应 (ranef(model))

• 输入操作*：运行 print(ranef_result)
• 输出描述*：

输出一个列表，其中包含一个名为 Subject 的数据框。

• 该数据框列出了所有 18 位受试者（如 308, 309, 310...）。
• 每一行对应一个受试者，显示其 (Intercept) 的随机效应值。
• 含义解读：这些数值表示该受试者的基准反应时间与总体平均截距的偏差。例如，如果某受试者的值为 20.5，说明该人的基础反应时间比平均水平慢 20.5 毫秒；若为 -15.2，则说明比平均水平快 15.2 毫秒。

5. 结论推断

通过上述输出，用户可以得出结论：睡眠剥夺天数显著增加了反应时间（固定效应显著），且不同受试者之间存在显著的个体差异（随机效应方差较大），因此使用混合效应模型比普通线性回归更为恰当。