我认为可以分析仅具有随机效应的模型，但我不确定，因为我从未这样做过。我正在寻找有关它是否合适、我需要注意哪些假设以及如何正确执行的指导。

来自我对昆虫的研究；

• 我有一个响应变量（死亡年龄，“年龄”）
• 两个处理（“Treat1”和“Treat2”），都有两个级别（Treat1 有“A”和“B”，Treat2 有“P”和“Q”）
• 还有40个基因型（1-40）
• 每个基因型/Treat1/Treat2 组合的四个重复（w、x、y、z）
• 每个重复包含 50 个人

简而言之，我的数据看起来像这样的 32000 行：

Treat1  Treat2  Genotype  Block  Individual   Age   
A       P       1         w      1            23
A       P       1         w      2            35
A       P       1         w      3            44
.       .       .         .      .            .
.       .       .         .      .            .
.       .       .         .      .            .
B       Q       40        z      50           76     

我想知道 Treat1 和 Treat2 的每种组合（AP、AQ、BP、BQ）是否具有遗传遗传变异 - 即每种治疗组合中我的 40 种基因型之间是否存在变异？

我想我需要为每个 AP、AQ、BP 和 BQ 建立一个模型，大致如下：

Age ~ Genotype [ Treat1 == "A" & Treat2 == "P"] * Block [ Treat1 == "A" & Treat2 == "P"]

其中基因型和块是随机效应。我听说 Gamma 分布更适合用于寿命（至死亡时间）模型。

我的问题是：

一个。这是显示我的基因型是否有变异的合适方法吗？

湾。我可以构建上面定义的四个模型还是这样做真的很糟糕？

C。如果可能，我应该在 R 中使用哪些函数（lm、glm、lmer ... & summary、summary.lm、aov、anova ...）？

d。如果伽玛比高斯更适合，我应该期待什么时候比较plot(model)伽玛与高斯比较？

这是目前我的模型...

AP= df$Treat1=="A" & df$Treat2=="P"
apmodel<- lmer(df$Age[AP]~(1|df$Genotype[AP])+(1|df$Block[AP]))
summary(apmodel)

我认为这是正确的，但我不确定如何处理输出..

> summary(apmodel)
Linear mixed model fit by REML 
Formula: df$Age[AP] ~ (1 | df$Genotype[AP]) + (1 | df$Block[AP]) 
       AIC   BIC logLik deviance REMLdev
     57343 57371 -28667    57336   57335
    Random effects:
     Groups           Name        Variance Std.Dev.
     df$Genotype[AP]  (Intercept) 17.23798 4.15186 
     df$Block[AP]     (Intercept)  0.15416 0.39263 
     Residual                     93.18777 9.65338 
    Number of obs: 7757, groups: df$line[AP], 40; df$Block[AP], 4

Fixed effects:
            Estimate Std. Error t value
(Intercept)  49.9948     0.6939   72.05

有遗传变异吗？？