基于lmer与mixed函数的LMM分析流程、结果选择及工具咨询

问题背景 #

我拟构建线性混合模型（LMM），以paradigm、中心化特质数学焦虑（trait_math_anxiety_centered）及其交互项为固定效应，被试（subject）为随机效应，模型公式为：
state_math_anxiety ~ paradigm * trait_math_anxiety_centered + (1|subject)

数据说明 #

• 状态数学焦虑（state_math_anxiety）与特质数学焦虑为连续变量，特质数学焦虑已完成中心化处理
• paradigm为二分类变量

分析流程 #

1. 用lmerTest包初始化模型：

   mm_start_STAI <- lmer(STAI ~ paradigm * AMAS_centered + (1|subject), dat = data_long, REML = FALSE)
   

2. 逐步筛选模型：

   step_lmm_STAI <- step(lmm_start_STAI, ddf = "Satterthwaite", reduce.fixed=TRUE, reduce.random = TRUE, alpha.fixed=0.05, alpha.random=0.05)
   final_lmm_STAI <- get_model(step_lmm_STAI)
   

   筛选后最终模型与初始全模型一致。
3. 用afex包转换编码重新拟合：

   M1 <- mixed(STAI ~ paradigm * AMAS_centered + (1|subject), dat = data_long)
   

核心疑问 #

1. 上述分析流程是否存在问题？
2. lmer与mixed函数的结果存在轻微显著性差异，应选择哪组结果？
3. 有哪些可用于mixed模型的系数提取工具？

解答 #

1. 分析流程的潜在问题 #

• 逐步模型筛选的风险：使用step函数基于固定α=0.05做自动筛选，会引入多重检验偏差，可能高估效应的显著性。如果你的研究有明确的理论假设（比如交互项是核心研究目标），建议直接保留初始全模型，无需做数据驱动的模型缩减。
• 编码转换的注意事项：afex::mixed默认采用效应编码，而lmerTest::lmer默认是虚拟编码，这一步本身合理，但务必在结果报告中明确说明编码方式，避免解读混乱。

2. 结果选择的依据 #

两组结果的差异源于编码方式不同（虚拟编码vs效应编码）加上自由度计算的细微差别：

• 若关注paradigm某一水平相对于参照水平的差异（如处理组vs对照组），选择lmer的虚拟编码结果更直观；
• 若关注paradigm两个水平的平均效应对比，或需要与其他效应编码的分析统一，选择mixed的结果；
• 若差异仅在显著性边缘（如p值0.049 vs 0.051），建议完整报告统计量（系数、标准误、t值/p值），同时说明编码方式的差异，而非只选其中一组。

3. mixed模型的系数提取工具 #

afex::mixed返回的afex_aov类对象可通过以下工具提取系数：

• coef(M1)：返回包含固定效应和随机效应系数的列表；
• emmeans::emmeans(M1, ~ paradigm * AMAS_centered)：提取系数的同时支持简单效应分析，适合交互项解读；
• broom.mixed::tidy(M1, effects = "fixed")：broom.mixed实际支持afex_aov对象，指定effects参数可精准提取固定效应；
• summary(M1)$coefficients：直接从模型摘要中提取固定效应的系数、标准误、t值和p值；
• parameters::model_parameters(M1)：parameters包对混合模型兼容性好，输出格式化系数表，支持效应编码解读。

内容的提问来源于stack exchange，提问作者sun Yang