首先，我不是使用多级建模（MLM）的专家，我已经阅读了这个和这个问题，但是，我的问题略有不同，因为没有提到下面的方法 2。
由于多层次建模相当复杂，我想首先证明对它的需求是合理的。在这方面，我知道两种方法：
1）评估项目之间是否存在足够且显着的差异（又名上下文）：
此方法在《使用 R 发现统计信息》一书第 19.6.6 节中提到。它意味着将仅通过最大似然拟合的基线截距广义最小二乘与通过最大似然拟合的另一个线性混合效应模型进行比较，其中截距允许跨项目变化。如果适合度显着提高，则需要使用 MLM。
我的两个模型的示例R是响应/结果变量：
M1 = nlme::gls(R ~ 1, data = univariate_data, method = "ML")
M2 = nlme::lme(R ~ 1, data = univariate_data, method = "ML", random = ~1|item_id)
方差分析比较：
## Model df AIC BIC logLik Test L.Ratio p-value
## M1 1 2 9181.778 9191.491 -4588.889
## M2 2 3 9170.908 9185.477 -4582.454 1 vs 2 12.87025 3e-04
从测试中，我们看到，在解决了项目/上下文的可变性之后，对数似然显着提高了 12.87，但牺牲了 1 个自由度，因此：. 这需要使用传销。
2) 比较无条件 LME 模型：
我在网上读过这个，但我不记得在哪里。将两个无条件 LME 模型相互比较，如果允许截距在项目（上下文）之间变化确实显着提高了拟合度，则断言使用 MLM。
我的两个模型的示例R是响应/结果变量：
MN1 = lmer(R ~ 1 + (1 | subject_id), data = univariate_data, REML = FALSE,
control = lmerControl(optimizer ='optimx', optCtrl=list(method='nlminb')))
MN2 = lmer(R ~ 1 + (1 | subject_id) + (1 | item_id), data = univariate_data, REML = FALSE,
control = lmerControl(optimizer ='optimx', optCtrl=list(method='nlminb')))
方差分析比较：
## npar AIC BIC logLik deviance Chisq Df Pr(>Chisq)
## MN1 3 7096.9 7110.7 -3545.5 7090.9
## MN2 4 7096.7 7115.1 -3544.4 7088.7 2.1966 1 0.1383
如您所见，两种 LME 模型之间的拟合没有显着差异。
我的难题来自于结果不一致：方法 1 证明了传销，但方法 2 没有。我们如何解释这种差异？为了研究传销的可行性，哪种方法更稳健？
注意：在上一个问题中，我了解到仅目视检查是研究 MLM 可行性的弱方法。