为何R中MASS包polr()的重复测量随机效应模型预测值完全一致？

为什么预测值完全一致？ #

MASS包的polr()函数不支持随机效应语法，你写的(1 | ID)并没有被识别为随机截距项，实际拟合的是仅包含固定截距的有序logit模型（等价于polr(value ~ 1, data = subset_data)）。这类模型对所有观测都输出相同的预测概率，自然不会体现被试间的差异。

正确拟合带随机效应的有序logit模型 #

要建模重复测量的随机效应，推荐使用以下两个工具：

方案1：使用ordinal包的clmm()函数

clmm()专门用于拟合条件logistic混合模型，完美支持有序因变量和随机效应：

# 安装并加载包
install.packages("ordinal")
library(ordinal)

# 拟合带被试随机截距的模型
random_effects_model_clmm <- clmm(value ~ 1 + (1 | ID), data = subset_data)

# 生成每个观测的预测概率
predicted_values_clmm <- predict(random_effects_model_clmm, type = "prob")

此时不同被试（ID）的预测概率会呈现差异，因为模型捕捉了被试间的随机变异。

方案2：使用brms包的brm()函数（贝叶斯方法）

如果你倾向于贝叶斯框架，brms支持灵活的混合效应有序模型，结果解释更直观：

# 安装并加载包
install.packages("brms")
library(brms)

# 拟合贝叶斯有序logit混合模型
random_effects_model_brms <- brm(
  formula = value ~ 1 + (1 | ID),
  data = subset_data,
  family = cumulative()  # 指定有序因变量的分布类型
)

# 生成预测概率
predicted_values_brms <- predict(random_effects_model_brms, type = "prob")

后续扩展 #

之后你还可以加入研究中的固定效应（Prompt_Condition和Response_Condition），比如修改公式为：

# clmm版本
clmm(value ~ Prompt_Condition * Response_Condition + (1 | ID), data = subset_data)

# brms版本
brm(value ~ Prompt_Condition * Response_Condition + (1 | ID), data = subset_data, family = cumulative())

内容的提问来源于stack exchange，提问作者Peter Kortenkamp