假设 1 自变量= 热惯性 (TI) 因变量= 深径比 (d/D)、半径变化 (RV) 和轮缘不规则度 (RI)。 假设 2 自变量= 热惯性 (TI) 因变量= Mantled Rim 百分比 (MRI) 为了检验假设 1，我必须检验 d/D、RV 和 RI 与热惯性的相关性。对于第二个假设 MRP 与热惯性的相关性。陨石坑总数 = 138（ID），场景（组）= 18。对每个陨石坑进行了重复测量。陨石坑嵌套在场景中，TI 值嵌套在场景中，收集的数据（d/D、RV、RI、MRP）嵌套在场景中。我必须比较场景内和场景之间的 TI，以及使用似然比检验确定的每个模型结果的统计显着性，以获得 p 值。由于我是 R 和统计学的新手，如果有人能帮助我理解设计，那将对我有很大帮助。我必须寻找支持假设 1 或 2 的 p 值和结果？
根据我对您的数据和描述的了解，您在ID. 您已经测量了多个变量 、、D_d和，每个变量测量一次。RIRVMRPID
因此ID似乎是测量单位（也就是说，它对数据中的每一行都是唯一的）。
但是，您似乎确实在 内有多个度量Group，因此具有随机截距的模型Group似乎是合适的。因此，我建议以下模型作为起点：
lmer(TI ~ D_d + RI + RV + MRP + (1 | Group), data = ... )
这将估计 、 、 和 的固定效应D_d以及RI随机RV变量MRP的方差Group，这将解释每组内测量值的非独立性。
几点：
混合模型确实用于解释结果变量中的相关性，我猜在分组/集群变量的级别内，TI即在你的情况下。假设正常误差项足以满足，您可以使用线性混合模型。例如，使用包lme4中的函数，例如，IDGroupTIlmer()
fm1 <- lmer(TI ~ RI + (1 | Group / ID), data = tisia)
如果您还要加载lmerTestTI包，您将获得和之间关联的 p 值RI。
上面的模型fm1假设在和TI的同一水平组合内的任何一对测量值之间的相关ID性Group是相同的。相反，如果您想假设同一组合内的相关性随着值的差异增加ID而Group衰减RI，那么您可以包括 的随机斜率RI，即
fm2 <- lmer(TI ~ RI + (RI | Group / ID), data = tisia)
您可以使用该函数实现的似然比检验来比较这两个模型，看看这是否会改善拟合anova()，即
anova(fm1, fm2)