通过 lmer 函数的混合效应的异方差模型

我正在调整一个混合效应模型，由于观察到的异方差性，有必要包含一个效应来适应它。因此，使用lme的功能nlme包，这个问题很容易解决，看下面的代码：

library(nlme)
library(lme4)
Model1 <- lme(log(Var1)~log(Var2)+log(Var3)+
                     (Var4)+(Var5),
                    random = ~1|Var6, Data1, method="REML",
                   weights = varIdent(form=~1|Var7))
#Var6: It is a factor with several levels.
#Var7: It is a Dummy variable.

但是，我需要使用重新调整上述模型lme4包，即使用lmer功能。众所周知，许多材料都表明了现有技术中存在的一些局限性。lme4，例如异方差建模。促使我重新调整此模型的原因是，我有兴趣使用特定的包，在混合模型的情况下，它仅接受通过以下方式进行调整的情况：lmer功能。我该如何解决这种情况？下面是使用 lmer 函数调整的模型的很大一部分，但是，该模型没有考虑对观察到的异方差进行建模的效果。

Model2 <- lmer(log(Var1)~log(Var2)+log(Var3)+
                          (Var4)+(Var5)+(1|Var6),
                    Data1, REML=T)

关于随机效应（Var6）的选择以及包含考虑变量水平异质性的效应（Var7），这些都经过仔细分析，但是，我不会在这里放出整个过程，以免成为一个问题。帖子内容广泛且更加客观。

这是可破解的。您需要添加一个观察级随机效应，该效应仅应用于具有larger残差方差（您需要提前知道这一点！），通过(0+dummy(Var7,"1")|obs);如果观察值位于组“1”中，则这具有将每个观察值水平随机效应值乘以 1 的效果Var7, 否则为 0。您还需要使用lmerControl()覆盖一些检查lmer确实要尝试确保您没有添加多余的随机效应。

Data1$obs <- factor(seq(nrow(Data1)))
Model2 <- lmer(log(Var1)~log(Var2)+log(Var3)+
                   (Var4)+(Var5) + (1|Var6) +
                   (0+dummy(Var7,"1")|obs),
               Data1, REML=TRUE,
               control=lmerControl(check.nobs.vs.nlev="ignore",
                                   check.nobs.vs.nRE="ignore"))

all.equal(REMLcrit(Model2), c(-2*logLik(Model1))) ## TRUE
all.equal(fixef(Model1), fixef(Model2), tolerance=1e-7)

如果你想使用这个模型hnp你需要解决这样一个事实hnp没有通过lmerControl正确选择。

library(hnp)
d <- function(obj) resid(obj, type="pearson")
s <- function(n, obj) simulate(obj)[[1]]
f <- function(y.) refit(Model2, y.)

hnp(Model2, newclass=TRUE, diagfun=d, simfun=s, fitfun=f)

您可能还对达玛套餐，它执行类似的基于模拟的诊断。