首先，AIC/BIC 在混合模型中没有意义。我的意思是，如果你能解释你是什么（组数？观察次数？介于两者之间的东西？1 级和 2 级变量中显然有不同数量的信息呢？）...所以我不会关注这些。$n$

其次，我很惊讶您的模型完全确定了组级变量的随机效应。让我们考虑一个极端情况：a 模型中的二元组级变量lmer(Y ~ X + G + (1 + X + G| group)。它描述的是什么？当 时，一个组有一个额外的随机偏移G==1，即组级异方差。所以这似乎是一个相当奇怪的估计。

所以总而言之，我会这样运行

M2 <- lmer(Y ~ X1 + X2 + X3 + X4 + G1 + G2 + G3 + G4 + (1 + X1 + X2 + X3 + X4 | group), family=binomial(link="logit"))

即，只有具有分配给它们的随机效应的个体水平协变量。

我认为最好先编写模型，然后我们可以了解如何在 R 中对其进行估计。

您希望模型的斜率因组而异吗？您认为第二级预测器（即组级别的预测器）可用于预测变化的斜率吗？如果两个答案都是肯定的，那么（我认为）你可以如何在 R 中估计它（我对此不是 100% 确定。我只是看看这本书，在第 14 章）：

假设第一级只有一个预测器（为简单起见），第二级只有一个预测器，并且第二级按组给出：

模型：

$Pr(y_{i}=1) = a + b_{j}*x_{1}$

$b_{j} = \gamma_{0} + \gamma_{1}*g_{1} + e_{j}$

在 r 中：

glmer(y ~ x1 + (x1+0|group) + g1, family=binomial)

如您所见，与您的代码的区别在于 g1 不在随机效应范围内。您必须将它们扩展到单个数据级别以适应模型。

碰巧在这种情况下，最好使用完全贝叶斯建模（使用 WinBugs、Jags 等），因为在这种情况下，我认为您无法正确建模第二级。

我希望它有所帮助。