0-100连续得分的glmmTMB模型适配：诊断要求与族选择咨询

1. 模型不能直接使用 #

你当前调用的glmmTMB默认使用高斯族（gaussian），和普通线性回归的假设一致——要求残差正态、同方差。你的数据已经存在异方差和非正态性，直接用默认模型会导致参数标准误估计偏差，推断结果不可靠，必须先做模型诊断并调整设定。

2. GLMM的诊断假设及检验步骤 #

GLMM需要验证以下核心假设，对应操作如下：

• 线性关系：你已确认满足，可通过拟合值vs残差图二次验证：

  fitted_vals <- fitted(model)
  res <- resid(model, type = "response")
  plot(fitted_vals, res, xlab = "拟合值", ylab = "响应残差")
  abline(h = 0, lty = 2)
  

  若残差随机分布在0线附近，说明线性关系成立。

• 残差的正态性与同方差性：
  提取Pearson残差，绘制QQ图和残差-拟合值图：

  res_pearson <- resid(model, type = "pearson")
  # QQ图检验正态性
  qqnorm(res_pearson); qqline(res_pearson)
  # 残差-拟合值图检验异方差
  plot(fitted_vals, res_pearson, xlab = "拟合值", ylab = "Pearson残差")
  abline(h = 0, lty = 2)
  

  QQ图中若点偏离直线过多，说明非正态；残差-拟合值图中若残差范围随拟合值变化，说明存在异方差。

• 随机效应的正态性：
  提取国家层面的随机效应，绘制QQ图：

  re_country <- ranef(model)$cond$COUNTRY[, 1]
  qqnorm(re_country); qqline(re_country)
  

  若点大致沿直线分布，说明随机效应符合正态假设。

• 更系统的诊断工具：推荐用DHARMa包模拟残差，更准确检验混合模型假设：

  library(DHARMa)
  sim_res <- simulateResiduals(model = model)
  plot(sim_res) # 一键查看正态性、同方差性等情况
  testDispersion(sim_res) # 检验过度离散
  testUniformity(sim_res) # 检验残差均匀性
  

3. glmmTMB的分布族选择 #

你的因变量是0-100的有界连续值，结合非正态、异方差的情况，推荐以下选项：

（1）Beta回归族（优先选择） #

将score转换为0-1的比例（若存在0或100，可做微小调整：score_prop <- (score + 0.5)/(100 + 1)），Beta回归专门处理比例型有界数据，天然适配异方差和非正态情况：

my_dataset$score_prop <- my_dataset$score / 100
model_beta <- glmmTMB(score_prop ~ AN + BC + OU + AR + GE + LO + (1|COUNTRY), 
                      data = my_dataset, 
                      family = beta_family(link = "logit"))

（2）高斯族+方差结构 #

若不想转换因变量，可在高斯族模型中添加方差结构，让方差随自变量变化来处理异方差：

model_gauss_var <- glmmTMB(score ~ AN + BC + OU + AR + GE + LO + (1|COUNTRY), 
                           data = my_dataset, 
                           dispformula = ~ AN + BC) # 可根据实际情况替换为其他自变量

（3）Gamma族（仅当score无0时尝试） #

如果你的score几乎没有0值，且呈右偏分布，可尝试Gamma族：

model_gamma <- glmmTMB(score ~ AN + BC + OU + AR + GE + LO + (1|COUNTRY), 
                       data = my_dataset, 
                       family = gamma_family(link = "log"))

选择建议 #

优先尝试Beta回归，这是0-100这类有界连续得分的标准建模方式；若转换后效果不佳，再考虑高斯族加方差结构；Gamma族仅在score无0时作为备选。

模型调整后务必重新做诊断，确保假设满足后再进行结果推断。

内容的提问来源于stack exchange，提问作者Alsen