在将解释变量放入模型之前，只需将解释变量缩放为均值为零且方差为 1。那么这些系数都将是可比的。模型的混合效应性质不会影响这个问题。

最好的方法是在拟合模型之前使用 scale() 并且最不可能出错。

对于使用 lm() 回归的标准线性模型，您可以 scale() 预测变量数据，也可以只使用这个简单的公式：

lm.results = lm(mydata$Y ~ mydata$x1)

sd.y = sd(mydata$Y)
sd.x1 = sd(mydata$x1)
x1.Beta = coef(lm.results)["mydata$x1"] * (sd.x1 / sd.y)

要获得直接从 R 中的任何 lm（或 glm）模型获得标准化 beta 系数的快速方法，请尝试使用lm.beta(model)QuantPsyc 包。例如：

library("MASS")
glmModel = glm(dependentResponseVar ~ predictor1 + predictor2, data=myData)
summary(glmModel)

library(QuantPsyc)
lm.beta(glmModel)

假设您已将lmer模型的输出设置为lmer.results，fixef(lmer.results)将返回整体固定效应系数。