我正在寻找有关如何在 R 中使用多级模型分析复杂调查数据的建议。我已使用该survey软件包对单级模型中不等的选择概率进行加权，但该软件包不具备多级建模的功能。该lme4软件包非常适合多级建模，但我知道没有一种方法可以包含不同聚类级别的权重。Asparouhov (2006)提出了这个问题：

多级模型经常用于分析来自整群抽样设计的数据。然而，此类抽样设计通常在集群级别和个人级别使用不等的选择概率。抽样权重分配在一个或两个级别以反映这些概率。如果在任一级别忽略抽样权重，则参数估计可能会出现很大偏差。

用于两级模型的一种方法是在 MPLUS 中实现的多级伪最大似然 (MPML) 估计器（Asparouhov 等人，？）。Carle (2009)回顾了主要的软件包并就如何进行提出了一些建议：

为了正确地使用复杂的调查数据和设计权重进行 MLM，分析师需要能够包含在程序之外缩放的权重并包含“新”缩放权重而无需自动修改程序的软件。目前，三个主要的传销软件程序允许这样做：Mplus (5.2)、MLwiN (2.02) 和 GLLAMM。不幸的是，HLM 和 SAS 都无法做到这一点。

West 和 Galecki (2013)给出了更新的评论，我将详细引用相关段落：

有时，分析师希望将 LMM 拟合到调查从具有复杂设计的样本中收集的数据集（参见 Heeringa 等人，2010 年，第 12 章）。复杂样本设计的一般特征是将人口划分为多个阶层，从阶层内多阶段选择个体集群，以及集群和最终抽样个体的选择概率不相等。这些不等的选择概率通常会导致构建个体的抽样权重，从而确保在纳入分析时对描述性参数进行无偏估计。这些权重可能会针对调查不答复进一步调整，并校准到已知的人口总数。传统上，在估计回归模型时，分析师可能会考虑采用基于设计的方法来整合这些复杂的抽样特征（Heeringa 等，2010）。最近，统计学家开始探索基于模型的方法来分析这些数据，使用 LMM 将抽样层的固定效应和抽样集群的随机效应结合起来。

开发基于模型的方法来分析这些数据的主要困难是选择合适的方法来合并抽样权重（有关问题的摘要，请参见 Gelman，2007 年）。普费弗曼等人。（1998 年）、Asparouhov 和 Muthen（2006 年）以及 Rabe-Hesketh 和 Skrondal（2006 年）开发了以结合调查权重的方式估计多级模型的理论，以及 Rabe-Hesketh 和 Skrondal（2006 年）、Carle（2009 年）和 Heeringa 等人。（2010 年，第 12 章）介绍了使用当前软件程序的应用程序，但这仍然是统计研究的一个活跃领域。能够拟合 LMM 的软件程序处于实施迄今为止文献中提出的用于结合复杂设计特征的方法的不同阶段，分析人员在将 LMM 拟合到复杂的样本调查数据时需要考虑这一点。有兴趣将 LMM 拟合到从复杂样本调查中收集的数据的分析师将被吸引到能够正确地将调查权重纳入估计程序（HLM、MLwiN、Mplus、xtmixed 和 gllamm）的程序，这与本文中的现有文献一致区域。

这让我想到了我的问题：是否有人有将 LMM 拟合到 R 中复杂调查数据的最佳实践建议？