我正在考虑使用混合效应模型来尝试了解影响野生啮齿动物采样蜱数量的因素。我的数据是嵌套的，因此每个啮齿动物都有一个蜱计数，每个站点有多个啮齿动物，每年有多个站点（站点多年来重复，但并非每个站点都存在于所有年份）。
到目前为止，没有固定效果，我的模型看起来像这样：
glmer(Ticks~(1|Year)+(1|Site), family=poisson, data=tickdata)
我知道这将解释站点之间和年份之间的随机变化。我主要担心的是，我认为特定地点的影响会在不同年份之间发生变化，例如，某些地点的降雨量可能比其他地点多，但是降雨量最高的地点的身份在不同年份之间会有所不同。
那么我需要某种交互术语吗？也许是这样的：
glmer(Ticks~(1|Year)+(1|Site)+(1|Year:Site), family=poisson, data=tickdata)
你试过了吗？听起来应该没问题。
set.seed(101)
## generate fully crossed design:
d <- expand.grid(Year=2000:2010,Site=1:30)
## sample 70% of the site/year comb to induce lack of balance
d <- d[sample(1:nrow(d),size=round(0.7*nrow(d))),]
## now get Poisson-distributed number of obs per site/year
library(plyr)
d <- ddply(d,c("Site","Year"),transform,rep=seq(rpois(1,lambda=10)))
library(lme4)
d$ticks <- simulate(~1+(1|Year)+(1|Site)+(1|Year:Site),
family=poisson,newdata=d,
newparams=list(beta=2, ## mean(log(ticks))=2
theta=c(1,1,1)))[[1]]
mm <- glmer(ticks~1+(1|Year)+(1|Site)+(1|Year:Site),
family=poisson,data=d)
我们大致得出了我们输入的内容——每个级别的方差相等：
## Generalized linear mixed model fit by maximum likelihood (Laplace
## Approximation) [glmerMod]
## Family: poisson ( log )
## Formula: ticks ~ 1 + (1 | Year) + (1 | Site) + (1 | Year:Site)
## Data: d
##
## AIC BIC logLik deviance df.resid
## 12487.3 12510.2 -6239.7 12479.3 2267
##
## Scaled residuals:
## Min 1Q Median 3Q Max
## -2.9944 -0.6842 -0.0726 0.6010 3.8532
##
## Random effects:
## Groups Name Variance Std.Dev.
## Year:Site (Intercept) 1.0818 1.0401
## Site (Intercept) 1.0490 1.0242
## Year (Intercept) 0.9787 0.9893
## Number of obs: 2271, groups: Year:Site, 231 Site, 30 Year, 11
##
## Fixed effects:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 2.1952 0.3593 6.109 1e-09 ***
## ---
## Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
您可能希望包含观察级别的随机效应以允许过度分散（请参阅http://rpubs.com/bbolker/glmmchapter中的“松鸡蜱”示例）