由于普遍的共识似乎是lmer()在 R 中使用混合模型而不是经典的 ANOVA（出于经常引用的原因，如不平衡设计、交叉随机效应等），我想用我的数据尝试一下。但是，我担心我会能够将这种方法“推销”给我的主管（他期待最终具有 p 值的经典分析）或稍后给审阅者。
您能否推荐一些使用混合模型或lmer()用于不同设计（例如重复测量或生物学、心理学、医学领域的多个学科内和学科间设计）的已发表文章的好例子？
在生物学、心理学和医学中使用 lmer 进行混合模型分析的示例报告？
机器算法验证
r
混合模式
重复测量
lme4-nlme
参考
2022-01-21 06:44:41
4个回答
更新 3（2013 年 5 月）：另一篇关于心理学混合模型的非常好的论文发表在《记忆与语言杂志》上（尽管我不同意作者关于如何获得p值的结论，请参阅包afex）。它很好地讨论了如何指定随机效应结构。去读吧！
Barr, DJ, Levy, R., Scheepers, C., & Tily, HJ (2013)。验证性假设检验的随机效应结构：保持最大。记忆与语言杂志，68（3），255–278。doi:10.1016/j.jml.2012.11.001
更新 2（2012 年 7 月）：一篇提倡在存在交叉（例如，参与者和项目）随机效应时在（社会）心理学中使用的论文。
最重要的是：它展示了如何使用pbkrtest 包获取 p 值：
Judd, CM, Westfall, J., & Kenny, DA (2012)。将刺激视为社会心理学中的随机因素：针对普遍但在很大程度上被忽视的问题的新的全面解决方案。人格与社会心理学杂志，103（1），54-69。doi:10.1037/a0028347
（仅作为 Word .doc 提供）
Jake Westfall 告诉我（通过邮件），获得 p 值的替代方法是倡导的 Kenward-Rogers 近似（在 pbkrtest 中使用）是（不太理想的）Satterthwaite 近似，可以在MixMod包中使用该anovaTab函数找到它。
上次更新的小更新：我的 R 包afex包含mixed()方便地获取混合模型中所有效应的 p 值的功能。或者，该car软件包现在还获得了混合模型的 pAnova()值test.statistic = "F"
UPDATE1：另一篇描述 lme4 的论文
Kliegl, R., Wei, P., Dambacher, M., Yan, M., & Zhou, X. (2011)。线性混合模型中的实验效果和个体差异：估计视觉注意力中的空间、物体和吸引力效应之间的关系。 定量心理学与测量前沿，1, 238. doi:10.3389/fpsyg.2010.00238
原始回复：
我没有很多例子，只有一个（见下文），但知道一些你应该从心理学/认知科学中引用的论文。最重要的肯定是：
Baayen, RH, Davidson, DJ, & Bates, DM (2008)。具有交叉随机效应的主题和项目的混合效应建模。记忆与语言杂志，59（4），390–412。doi:10.1016/j.jml.2007.12.005
Baayen的另一个是：
Baayen, RH 和 Milin, P. (2010)。分析反应时间。国际心理学研究杂志，3（2），12-28。
实际上，我也非常喜欢他的书，其中还有一个关于混合模型的不错的介绍性章节（对于一本统计书来说非常便宜）：
Baayen, RH (2008)。分析语言数据：使用 R 进行统计的实用介绍。英国剑桥；纽约：剑桥大学出版社。
我可能猜想他也有很多论文在使用lme4，但由于我的主要兴趣不是心理语言学，你可能想查看他的主页。
从我的领域（推理），我知道这篇论文使用lme4：
Fugard, AJB, Pfeifer, N., Mayerhofer, B., & Kleiter, GD (2011)。人们如何解释条件句：转向条件事件。 实验心理学杂志：学习、记忆和认知，37（3），635-648。doi:10.1037/a0022329
（虽然我感觉他们使用似然比检验来比较仅在固定参数上有所不同的模型，但我听说这不是正确的方法。我认为您应该改用 AIC。）
这是一篇关于生态和进化混合模型的高引用论文：
- 博尔克等人。(2009) 广义线性混合模型：生态与进化实用指南 生态与进化趋势卷。24 pp127-135 ( PDF )（来自 ScienceDirect，附有补充内容的链接）。
以下文章致力于促进在社会科学环境中使用多层次建模：
- Bliese, PD & Ployhart, RE (2002)。使用随机系数模型的增长建模：模型构建、测试和插图，组织研究方法，卷。5 第 4 期，2002 年 10 月 362-387。PDF格式
引用摘要：
在本文中，作者说明了如何使用随机系数建模来开发用于分析纵向数据的增长模型。与之前对随机系数模型的讨论相比，本文使用模型比较框架提供了逐步指导。通过以这种方式进行建模，作者能够建立回归基础并逐步估计和评估更复杂的模型。在模型比较框架中，文章阐述了使用似然检验来对比替代模型的价值（而不是典型的依赖于涉及单个参数的显着性检验），并提供了开源语言 R 的代码以供读者复制结果。
对 Google Scholar 上引用这篇论文的文章进行检查后，我们发现了其他一些有用的线索。
我正在阅读 Zuur, AF, Ieno, EN, Walker, N., Saveliev, AA, & Smith, GM (2009)。使用 R 的生态学中的混合效应模型和扩展。纽约州纽约市：Springer Science+Business Media, LLC。它是为生态学家编写的，因此统计数据相当容易理解；我认为这对其他学科的人也会有用，比如医学或心理学。包括许多案例研究，每个案例研究都有详细的部分介绍如何最好地在论文中写出统计数据。