拟合lmer模型时，可以使用该coef()函数从模型中提取系数。您的代码将类似于：

mod1 <- lmer(GDP ~ 1 + CO2.Emissions + (1 + CO2.Emissions | Country), data=dat)

然后您可以coef()通过指定调用并提取每个组的系数：

coef(mod1)$Country

这将为您提供一个截距向量（您在随机项中指定的“1”）和斜率（用于“C02.Emissions”）。

然后，您可以将它们中的每一个保存到它们自己的向量中：

intercepts <- coef(mod1)$Country[,1] # Specifying the first column only
slopes <- coef(mod1)$Country[,2] # Specifying the second column only

geom_smooth()然后，您可以通过将其添加到绘图中来指定特定的斜率和截距，而不是调用：

geom_abline(slope=slopes, intercept=intercepts)

这样做的好处是它使用了模型隐含的斜率和截距。缺点是它将推断超出每个集群的值的线（在本例中为“国家”）。

然后我会添加另一个geom_abline是平均斜率和截距，您可以从中获得：

summary(mod1)$coef

另一种方法（不使用模型隐含的斜率和截距）是指定group=cluster. 使用它，它为每个集群拟合不同的 OLS 线（显然，这不是多级模型所适合的lmer()）。

我以前做过这个，它适应你的变量看起来像：

ggplot(datalong, aes(x=CO2.Emissions, y=GDP, group=Country))+
  stat_smooth(method="lm", se=FALSE, size=.5, color="springgreen") + # slopes for different countries
  stat_smooth(aes(group=1), method="lm", color="blue", size=1.5) + # average slope with SE

这可能会稍微容易一些，但它与您从该coef(lmer(...))$cluster方法中获得的模型隐含的斜率和截距不匹配。

当您想绘制lmer()对象时，我发现它最容易使用predict(). 首先你适合你的模型：

random.coef.model <- lmer(GDP ~ 1 + CO2.Emissions + (1 + CO2.Emissions | Country), 
                          data=dat)

然后您预测GDP与您的预测变量 ( CO2.Emissions) 相对应的值：

dat$random.coefficients.predictions <- predict(random.coef.model)

然后您可以使用geom_smooth(se=FALSE)或随意绘制它们geom_line()。如果你想同时有一个散点图，你需要提供geom_point()new aes()，因为现有的 y 值将是预测值。所以：

random.coef.graph <- ggplot(aes(x = CO2.Emissions, y = random.coefficients.predictions, 
                                color = as.factor(Country)), data = dat) +
geom_line(size=.3) +
geom_point(aes(y = GDP)) +
ggthemes::theme_tufte() #just to make it nice!