混合模型是方差分量模型的（广义版本）。您写下固定效应部分，添加某些观察组可能常见的错误项，如果需要添加链接函数，并将其放入似然最大化器中。

然而，您所描述的各种方差结构是广义估计方程的工作相关模型，它们权衡了混合/多级模型的一些灵活性以换取推理的稳健性。使用 GEE，您只对对固定部分进行推断感兴趣，并且您可以不估计方差分量，就像在混合模型中那样。对于这些固定效应，即使您的相关结构指定错误，您也会得到一个合适的稳健/三明治估计。但是，如果模型指定错误，则混合模型的推理将失败。

因此，尽管有很多共同点（多级结构和解决残差相关性的能力），混合模型和 GEE 仍然是有些不同的过程。处理 GEE 的 R 包被适当地称为gee，并且在corstr选项的可能值列表中，您将找到您提到的结构。

从 GEE 的角度来看，lmer使用可交换的相关性......至少当模型具有两个层次结构并且仅指定随机截距时。

lmer 的 FlexLamba 分支提供了这样的功能。

有关如何实现错误或随机效应的特定结构的示例，请参见https://github.com/lme4/lme4/issues/224 。

据我所知，lmer 没有“简单”的方法来解决这个问题。还考虑到在大多数情况下 lmer 大量使用稀疏矩阵进行 Cholesky 分解，我发现它不太可能允许完全非结构化的 VCV。

回答您关于“默认结构”的问题：没有默认的概念；根据您定义结构的方式，您可以使用该结构。例如。使用随机效果，例如：$(1|RandEff_1)+(1|RandEff_2)$每个随机效应有 3 个级别将导致未嵌套和独立的随机效应和形式的对角随机效应 VCV 矩阵：

$R = \begin{bmatrix} \sigma_{RE1}^2 & 0& 0 & & 0 & 0 & 0\\ 0 & \sigma_{RE1}^2& 0 & & 0 & 0 & 0\\ 0 & 0& \sigma_{RE1}^2 & & 0 & 0 & 0\\ 0& 0& 0 & & \sigma_{RE2}^2 & 0 & 0 \\ 0 & 0& 0 & & 0 & \sigma_{RE2}^2 & 0\\ 0& 0& 0 & & 0& 0 & \sigma_{RE2}^2 \\\end{bmatrix}$

但是，LME 并没有丢失所有内容：如果您使用的是 R 包 MCMCglmm，则可以“轻松”指定这些 VCV 矩阵属性。查看CourseNotes.pdf，第 70 页。在该页面中，它确实提供了一些关于如何定义 lme4 随机效应结构的类似物，但正如您自己所见，在这方面 lmer 不如 MCMCglmm 灵活。

中途有问题 nlme 的 lme corStruct 类，例如。corCompSymm、corAR1等。Fabian在此步骤中的响应为基于 lme4 的 VCV 规范提供了一些更简洁的示例，但如前所述，它们不像 MCMCglmm 或 nlme 中的那样明确。