我对你的问题感到困惑。我知道你说你理解固定效应和随机效应，但也许你不像我那样理解它们。我在这里发布了一个印刷书籍章节的相当长的摘录，它解释了我的观点（相当务实，与 Andrew Gelman 的观点相当接近）。

更直接地回答这个问题：

• 将收入等社会经济变量的主要影响随机纳入（IMO）没有任何意义。 如果您对每个人的收入进行了不止一种测量，则可以将个人作为分组变量包括在内，并允许收入对响应（无论是什么）的影响因人而异。
• 种族似乎作为一种固定效应最有意义，并且您不太可能能够在多个种族的影响下衡量一个人，但您可能（例如）能够表征效应的随机变化跨越不同国家的种族。您可以将其视为随机效应（即种族之间的模型差异是从正态分布中得出的），但这可能是不切实际的，因为您的数据集中可能没有足够的不同种族，而且很难我要为此提出一个很好的概念论据...
• “居住面积”作为一个分组变量是有意义的，这肯定是一个合理的随机效应（即截距会因居住区而异）。个人可能会嵌套在区域内，除非个人在您研究的时间范围内在区域之间移动。
• 您的情况似乎是个体之间存在一些随机变化的情况，但您也有个体水平的协变量。将这些个体层面的协变量（种族、收入等）添加到模型中将解释一些个体间的变异性（这可能是一个好主意）。

它可能会增加区分分组变量（必须是分类变量）的清晰度，分组变量代表事物变化的组，以及影响，这是某些参数/影响的差异（通常是截距，但可能是收入的影响/教育/其他）跨越一些分组变量的水平。

更新：我会冒昧地给你一些对立面

我对随机效应的理解：从人群中随机选择的因素；

• 也许，这取决于你的哲学观。这在经典的常客范式中是必需的，但我会稍微放松一下，询问将这些影响视为来自一些假设人群的随机抽取是否合理。（这里的经典例子是（1）详尽抽样（如果您对城市中的每个社区或国家/地区的每个地区/省/州都有测量结果呢？您仍然可以将它们视为来自某些超级人口的随机抽取吗？和（2 ）按顺序测量的时间段（例如，2002-2012 年）。在这两种情况下，我会说使用随机效应对它们进行建模具有实用意义。）

因子的水平没有什么意义；

• 不必要。我认为随机效应必须是令人讨厌的变量的想法在实践中并不成立。例如，在动物育种分析中，人们可能对了解特定动物的育种价值 (BLUP) 非常感兴趣。（所谓的关注程度确实对人们比较模型的方式有一些影响。）

变量是未观察到的因素。

我不确定这个是什么意思。你知道每个观察来自哪个社区，对吧？那是怎么“不被观察”的？（如果您怀疑基于未观察到的因素对数据进行聚类，则需要拟合离散混合模型。）如果您的意思是您不知道为什么社区不同，我认为这在这里并不重要。

所以以邻里为例。这是我主要感兴趣的变量，水平很重要。我使用混合模型并验证其中存在大量差异。

我能想到不使用邻域作为随机效应的唯一原因是，如果你只测量了少量（比如 <6）的邻域。