我一直在处理一些重复测量存在问题的数据。在这样做的过程中，我注意到我的测试数据之间lme()和lmer()使用我的测试数据之间的行为非常不同，并且想知道为什么。

我创建的假数据集包含 10 名受试者的身高和体重测量值，每人测量两次。我设置了数据，以便受试者之间的身高和体重之间存在正相关关系，但每个个体内部的重复测量之间存在负相关关系。

set.seed(21)
Height=1:10; Height=Height+runif(10,min=0,max=3) #First height measurement
Weight=1:10; Weight=Weight+runif(10,min=0,max=3) #First weight measurement

Height2=Height+runif(10,min=0,max=1) #second height measurement
Weight2=Weight-runif(10,min=0,max=1) #second weight measurement

Height=c(Height,Height2) #combine height and wight measurements
Weight=c(Weight,Weight2)

DF=data.frame(Height,Weight) #generate data frame
DF$ID=as.factor(rep(1:10,2)) #add subject ID
DF$Number=as.factor(c(rep(1,10),rep(2,10))) #differentiate between first and second measurement

这是数据图，用线连接每个人的两次测量。

所以我运行了两个模型，一个带有lme()fromnlme包，一个带有lmer()from lme4。在这两种情况下，我使用 ID 的随机效应对体重与身高进行回归，以控制每个人的重复测量。

library(nlme)
Mlme=lme(Height~Weight,random=~1|ID,data=DF)
library(lme4)
Mlmer=lmer(Height~Weight+(1|ID),data=DF)

这两个模型经常（尽管并不总是取决于种子）产生完全不同的结果。我已经看到它们在哪里产生略有不同的方差估计，计算不同的自由度等，但这里的系数是相反的方向。

coef(Mlme)
#   (Intercept)    Weight
#1   1.57102183 0.7477639
#2  -0.08765784 0.7477639
#3   3.33128509 0.7477639
#4   1.09639883 0.7477639
#5   4.08969282 0.7477639
#6   4.48649982 0.7477639
#7   1.37824171 0.7477639
#8   2.54690995 0.7477639
#9   4.43051687 0.7477639
#10  4.04812243 0.7477639

coef(Mlmer)
#   (Intercept)    Weight
#1     4.689264 -0.516824
#2     5.427231 -0.516824
#3     6.943274 -0.516824
#4     7.832617 -0.516824
#5    10.656164 -0.516824
#6    12.256954 -0.516824
#7    11.963619 -0.516824
#8    13.304242 -0.516824
#9    17.637284 -0.516824
#10   18.883624 -0.516824

为了直观地说明，使用lme()

和模型lmer()

为什么这些模型差异如此之大？