这更像是一个概念性问题，但当我使用时，R我将参考R. 如果目标是为了预测的目的拟合线性模型，然后在随机效应可能不可用的情况下进行预测，那么使用混合效应模型有什么好处，还是应该使用固定效应模型？

例如，如果我有关于体重与身高的数据以及其他一些信息，并使用 构建以下模型lme4，其中主题是与$n$水平（$n=no.samples$):

mod1 <- lmer(weight ~ height + age + (1|subject), data=df, REML=F)

然后我希望能够使用新的身高和年龄数据从模型中预测体重。显然，模型中捕获了原始数据中的个体差异，但是否可以在预测中使用这些信息？假设我有一些新的身高和年龄数据，并且想预测体重，我可以这样做：

predict(mod1,newdata=newdf) # newdf columns for height, age, subject

这将使用predict.merMod，我可以在newdf或 set中包含（新）主题的列re.form =~0。在第一种情况下，尚不清楚模型对“新”主题因素做了什么，在第二种情况下，模型中捕获的按主题方差是否会被简单地忽略（平均）以进行预测？

在任何一种情况下，在我看来，固定效应线性模型可能更合适。事实上，如果我的理解是正确的，那么如果预测中没有使用随机效应，那么固定效应模型应该预测与混合模型相同的值。应该是这样吗？它不是，R例如：

mod1 <- lmer(weight ~ height + age + (1|subject), data=df, REML=F)

predict(mod1,newdata=newdf, re.form=~0) # newdf columns for height, age, subject

产生不同的结果：

mod2 <- lm(weight ~ height + age, data=df)

predict(mod2,newdata=newdf) # newdf columns for height, age