我的问题是关于估计预测变量对因变量的影响的最佳方法，同时考虑可能与感兴趣的预测变量相关的其他几个预测变量。我正在使用线性混合效应模型，使用lmerRlme4包中的函数。（警告：我对此很陌生，所以他们可能会在我的问题中产生一些误解。）

问题

为了让事情更具体一点，我将只解释我正在使用的实际数据。我有自由观看自然场景的参与者的眼球运动数据。我想确定瞳孔大小是否可以预测参与者正在观看的图像中位置的“视觉显着性”（即显着性）。但是还有许多其他因素与瞳孔大小相关，例如光度，这使得分析变得棘手（或者是这样吗？）。

选项 1（简单）：查看固定效果

一种选择是简单地创建一个线性混合效应模型，该模型具有我能想到的所有显着性预测因子，包括感兴趣的预测因子 ( pupil_size)，作为固定效应和subject随机scene效应。（为了使事情易于管理，我使用了一个纯粹的加法模型，尽管我认为这本身就是一个完整的主题。）

my_lmer = lmer(saliency ~ brightness + (.. lots of predictors ...)
    + pupil_size + (1|subject) + (1|scene))

这将为我提供一个固定效应的 t 值pupil_size。据我了解，这种固定效应已经是部分的，所以它是瞳孔大小的独特预测能力，已经考虑了固定效应之间的任何相关性。我的理解正确吗？

选项 2（复杂）：使用模型比较

另一种方法，我从Baayen 等人那里得到的。(2008)是比较没有瞳孔大小作为固定效应 ( simple_model) 的模型与瞳孔大小作为固定效应 ( complex_model) 的模型。

simple_model = lmer(saliency ~ brightness + (.. lots of predictors ...)
    + (1|subject) + (1|scene))
complex_model = lmer(saliency ~ brightness + (.. lots of predictors ...)
    pupil_size + (1|subject) + (1|scene))

现在我可以使用该anova函数来比较这两个模型（示例参见 Baayen 的论文）。这会给我一个Chisq Chi值，我可以用它来确定添加pupil_size为固定效果是否是对模型的合理添加。

显然，这种模型比较方法比简单地查看单个模型中固定效应的 t 值更复杂。在我看来，如果pupil_size是一个重要的预测变量（根据选项 1），那么它也必须是模型的重要补充（根据选项 2）。

总而言之，我的问题是：是否有任何理由进行模型比较（选项 2），或者我最好只创建一个线性混合效应模型并查看与pupil_size固定效应相关的 t 值是否足够高（选项1）？