GLMM FAQ中有很多关于这个主题的信息。但是，在您的特定情况下，我建议使用

library(nlme)
m1 <- lme(value~status,random=~1|experiment,data=mydata)
anova(m1)

因为您不需要任何提供的东西lmer（更高的速度，交叉随机效果的处理，GLMM ...）。lme应该为您提供完全相同的系数和方差估计值，但也会为您计算 df 和 p 值（这在您似乎拥有的“经典”设计中确实有意义）。您可能还需要考虑随机项~status|experiment（允许跨块的状态影响变化，或等效地包括状态与实验的交互）。上面的海报也是正确的，因为您的t统计数据如此之大，以至于您的 p 值肯定会小于 0.05，但我可以想象您想要“真实”的 p 值。

您可以使用包lmerTest。您只需安装/加载它，lmer 模型就会得到扩展。所以例如

library(lmerTest)
lmm <- lmer(value~status+(1|experiment)))
summary(lmm)
anova(lmm)

会给你p值的结果。如果 p 值是正确的指示有点争议，但如果你想拥有它们，这就是获取它们的方法。

如果您可以处理放弃 p 值（并且您应该），您可以计算一个似然比，该似然比通过以下方式表示状态影响的证据权重：

#compute a model where the effect of status is estimated
unrestricted_fit = lmer(
    formula = value ~ (1|experiment) + status
    , REML = F #because we want to compare models on likelihood
)
#next, compute a model where the effect of status is not estimated
restricted_fit = lmer(
    formula = value ~ (1|experiment)
    , REML = F #because we want to compare models on likelihood
)
#compute the AIC-corrected log-base-2 likelihood ratio (a.k.a. "bits" of evidence)
(AIC(restricted_fit)-AIC(unrestricted_fit))*log2(exp(1))

问题是这些模型的 p 值的计算并非微不足道，请参阅此处的讨论，因此lme4包的作者故意选择不在输出中包含 p 值。您可能会找到一种计算方法，但它们不一定是正确的。