拟族glmer模型拟似然调整后emmeans事后比较方法咨询

核心逻辑 #

glmer拟合的模型参数估计本身是一致的，拟似然调整仅通过过离散因子修正标准误及相关统计量，无需修改模型参数，只需把修正后的方差协方差矩阵传给emmeans即可实现事后检验。

具体操作步骤 #

1. 计算过离散因子
   先拟合基础glmer模型，再用皮尔逊残差计算过离散度：

# 拟合基础混合效应模型（以泊松族为例）
m <- glmer(response ~ fixed_effect + (1|random_effect), data = your_data, family = poisson)
# 计算过离散因子φ：皮尔逊卡方值除以残差自由度
phi <- sum(residuals(m, type = "pearson")^2) / df.residual(m)

2. 生成修正后的方差协方差矩阵
   将原模型的协方差矩阵乘以过离散因子，得到调整后的协方差矩阵：

vcov_adj <- vcov(m) * phi

3. 用emmeans执行事后检验（含自定义对比）
   调用emmeans时，通过vcov.参数传入修正后的协方差矩阵，同时设置pbkrtest.limit = 0跳过默认的参数检验方法：

library(emmeans)
# 生成固定效应的边际均值
emm <- emmeans(m, ~ fixed_effect, vcov. = vcov_adj, pbkrtest.limit = 0)
# 执行两两比较
pairs(emm)
# 自定义对比（示例：对比组1 vs 组2+组3的均值）
contrast(emm, list(custom_contrast = c(1, -0.5, -0.5)))

关键说明 #

• 参数估计值不受过离散调整影响，仅标准误、置信区间、p值会被修正，无需改动原模型结构。
• 若采用其他过离散估计方法（如对数似然比法），只需替换phi的计算逻辑，后续步骤完全一致。
• 多随机效应模型同样适用，因为vcov矩阵已包含所有固定效应的协方差信息。

内容的提问来源于stack exchange，提问作者RKüm