机器算法验证 - 了解 lmer() 模型中随机效应的方差 - 吾爱随笔录

我无法理解lmer()模型的输出。它是具有不同状态截距/状态随机效应的结果变量（支持）的简单模型：

mlm1 <- lmer(Support ~ (1 | State))

结果summary(mlm1)是：

Linear mixed model fit by REML 
Formula: Support ~ (1 | State) 
   AIC   BIC logLik deviance REMLdev
 12088 12107  -6041    12076   12082
Random effects:
 Groups   Name        Variance  Std.Dev.
 State    (Intercept) 0.0063695 0.079809
 Residual             1.1114756 1.054265
Number of obs: 4097, groups: State, 48

Fixed effects:
            Estimate Std. Error t value
(Intercept)  0.13218    0.02159   6.123

我认为变化状态截距/随机效应的方差是0.0063695. 但是当我提取这些状态随机效应的向量并计算方差时

var(ranef(mlm1)$State)

结果是：0.001800869，远小于报告的方差summary()。

据我了解，我指定的模型可以写成：

$y_i = \alpha_0 + \alpha_s + \epsilon_i, \text{ for } i = \{1, 2, ..., 4097\}$

$\alpha_s \sim N(0, \sigma^2_\alpha), \text{ for } s = \{1, 2, ..., 48\}$

如果这是正确的，那么随机效应的方差 ( $\alpha_s$ ）应该 $\sigma^2_\alpha$ . 然而，这些实际上并不lmer()适合我。