R 中的“mixed”和“lmer”为变量系数提供不同的估计

Question

我在纵向数据集中拟合混合效应模型，并注意到指定相同的结构会导致不同的输出，具体取决于我使用的是“混合”（来自 afex 包）还是 lme4。我在下面提供了可重现的代码（R 版本 4.2.2）

library(lme4)
library(afex)
library(tidyverse)
library(effectsize)
# Pull in toy data and convert vars to factors
dset_test1 <- mtcars %>% 
  mutate(car_id = row.names(mtcars)) %>% 
  mutate(vs = as.factor(vs)) %>% 
  mutate(am = as.factor(am))

# Create simulated longitudinal dataset
increase_longitudinal <- mtcars %>% 
  dplyr::select(am, wt) %>% 
  mutate(car_id = row.names(mtcars)) %>% 
  mutate(wt2 = (wt)*2)

# Merge and make long form
dset_test = merge(dset_test1, increase_longitudinal, on='car_id') %>% 
  pivot_longer(cols = c(wt, wt2), names_to = 'year', values_to = 'weight') %>% 
  mutate(year = as.factor(year))

# Set reference levels
dset_test$year <- relevel(dset_test$year, "wt")

# fit model with mixed
mix1 <- mixed(mpg~year * weight + hp +(1 | car_id), data=dset_test) 
summary(mix1)
parameters::standardize_parameters(mix1)

# fit model with lme4
lmer1 <- lmer(mpg~year * weight + hp +(1 | car_id), data=dset_test) 
summary(lmer1)
parameters::standardize_parameters(lmer1)

这会产生以下标准化输出：

# model with mixed:
Parameter    | Std. Coef. |         95% CI
------------------------------------------
(Intercept)  |      -0.29 | [-0.40, -0.18]
year1        |      -0.81 | [-0.98, -0.63]
weight       |      -1.12 | [-1.36, -0.88]
hp           |      -0.39 | [-0.53, -0.25]
year1:weight |      -0.37 | [-0.45, -0.29]

# Model with lme4:
Parameter      | Std. Coef. |         95% CI
--------------------------------------------
(Intercept)    |      -1.05 | [-1.29, -0.81]
yearwt2        |       1.54 | [ 1.21,  1.86]
weight         |      -1.42 | [-1.72, -1.12]
hp             |      -0.40 | [-0.54, -0.26]
yearwt2:weight |       0.71 | [ 0.56,  0.86]

正如您所看到的，模型系数有很大不同，特别是对于交互项，系数的符号甚至不同。感谢您对这里可能发生的情况有任何见解！

Answer 1

afex::mixed()

默认情况下自动使用和为零对比，因为这通常可以更轻松地解释具有交互作用的模型中的主效应（但 R 的默认设置是使用 treatment 对比）。

如果您在运行

options(contrasts = c("contr.sum", "contr.poly"))

拟合之前设置

lmer()

，您将获得相同的系数。 （还有其他方法来设置对比度，但这可能是最简单的。）

顺便说一句，我希望这不能代表您的真实数据——当我运行此代码时，我收到了很多警告，并且输出中出现了很多危险信号（例如，残留标准误差非常接近于零，与原始

yearwt2

拟合中的原始

lmer

估计一样）。如果可以的话，通常最好生成更合理的测试数据，这样人们（像我）就不会分心/认为问题可能是一些无法识别的问题......