为何lmerTest线性混合效应模型用t检验估计连续变量参数？

核心结论 #

这不是代码错误，是lmerTest包的默认推断逻辑——所有固定效应（包括连续变量主效应、分类变量主效应、以及各类交互项）的参数显著性检验，都会使用基于Satterthwaite自由度估计的t检验。

详细解释 #

• t检验的适用场景：线性混合模型中，固定效应的显著性检验本质是判断回归系数是否显著异于0。不管自变量是连续型还是分类型，t检验都是合理的推断方法：当样本量较大时，t分布近似标准正态分布，此时t检验和z检验结果几乎无差异；小样本场景下，t检验能通过自由度调整提供更稳健的推断。
• Satterthwaite方法的作用：输出里提到的t-tests use Satterthwaite's method，是指用该方法计算t检验的有效自由度。混合模型的自由度计算比普通线性模型复杂（因为存在随机效应带来的组内相关性），Satterthwaite方法通过估计有效自由度，让t检验的结果更准确。
• 交互项的检验逻辑：patch_size_ml:day和connection:day这类交互项，属于固定效应的一部分，同样会用相同的t检验逻辑进行显著性推断，和主效应的检验规则完全一致。

代码注意事项 #

你的模型代码整体逻辑没问题，但有一个细节需要确认：你提到culture_ID是连续变量，但它作为随机效应的分组变量（(day | culture_ID)），应该是分类变量（每个culture_ID对应一个独立的培养组）。如果当前culture_ID是连续型数值，建议先转换为因子：

filtered_data$culture_ID <- as.factor(filtered_data$culture_ID)

否则随机效应的设定会不符合混合模型的逻辑（随机效应是对分组的变异建模，而非连续协变量的变异）。

内容的提问来源于stack exchange，提问作者Ema