考虑一个有多个人类参与者的实验，每个参与者在两种条件下进行多次测量。混合效果模型可以表述为（使用lme4语法）：
fit = lmer(
formula = measure ~ (1|participant) + condition
)
现在，假设我想为这个模型的预测生成自举置信区间。我想我已经想出了一种简单且计算效率高的方法，而且我确信我不是第一个想到它的人，但是我很难找到任何描述这种方法的先前出版物。这里是：
- 拟合模型（如上），称之为“原始模型”
- 从原始模型中获得预测，称之为“原始预测”
- 从与每个参与者的每个响应相关联的原始模型中获取残差
- 对残差重新采样，对参与者进行替换
- 将具有高斯误差的线性混合效应模型拟合到残差，称之为“临时模型”
- 计算每个条件的临时模型的预测（这些预测将非常接近于零），将这些称为“临时预测”
- 将临时预测添加到原始预测中，将结果称为“重新采样预测”
- 多次重复第 4 步到第 7 步，为每个条件生成重采样预测分布，从中可以计算一次 CI。
我在简单回归（即不是混合模型）的上下文中看到了“残差引导”程序，其中残差作为重采样单位进行采样，然后在每次迭代拟合新模型之前添加到原始模型的预测中引导程序，但这似乎与我描述的方法有很大不同，其中残差永远不会重新采样，人们是，并且只有在获得临时模型，原始模型预测是否发挥作用。最后一个特性有一个非常好的附带好处，即无论原始模型的复杂性如何，临时模型始终可以拟合为高斯线性混合模型，在某些情况下可以显着加快。例如，我最近有二项式数据和 3 个预测变量，我怀疑其中一个会导致强烈的非线性效应，因此我不得不使用使用二项式链接函数的广义加性混合建模。在这种情况下拟合原始模型需要一个多小时，而在每次迭代中拟合高斯 LMM 只需几秒钟。
如果它已经是一个已知的程序，我真的不想要求优先权，所以如果有人能提供有关之前可能已经描述过的信息，我将非常感激。（另外，如果这种方法有任何明显的问题，请告诉我！）