这是我要做的：

首先，我会在这里看看如何在你的model1. 我不太确定你想适应什么。CV 上还有很多关于线性混合效应模型的信息。点击lme4-nlme标签，您也提供了。如果您可以提供示例数据集，或者至少提供数据结构，这也会有所帮助。

然后，您很可能只需要一个模型，大概是以下形式：

my_model <- lmer(carbon ~ species + landuse + species : landuse + (1|site), data = mydata)

我将随机效应指定为+ (1|site)，因为您说：

研究地点作为模型中的随机效应包括在内。

要获取 ANOVA 表，您可以执行以下操作：

library(car)
Anova(my_model)

或者：

library(afex)
mixed(carbon ~ species + landuse + species : landuse + (1|site), data = mydata)

或者不是lmer()通过lme4包运行，而是加载lmerTest包并运行：

my_model <- lmer(carbon ~ species + landuse + species : landuse + (1|site), data = mydata)
anova(my_model) 

这将为您提供最终可能需要的 ANOVA 表。请务必查看这些函数及其参数 ( ?Anova, ?mixed, ?lmerTest::anova)。

我不太明白为什么要排除species相互作用是否显着并为所有物种运行单独的模型？！

但是，如果您的主要影响不显着，您可以考虑将它们扔掉并重新运行仅包含交互的模型。但是，如果一个或两个主要影响显着，我会将它们都保留在模型中，并将其与潜在的显着交互作用一起报告。

无论如何，如果你有一个重要的交互，你应该专注于解释交互而不是主要影响，因为它们的解释现在可能会产生误导。交互的解释应该从可视化开始。例如，您可以使用包emmip()中的函数来执行此操作emmeans：

library(emmeans)
emmip(my_model, landuse ~ species)

关于 p 值的调整，只有在跟进post-hoc tests时才需要这样做。

这可以通过emmeans()函数（也来自emmeans包）来完成：

emmeans(my_model, pairwise ~ species : landuse)