二分类结局变量GLMM模型诊断咨询：结果解读与代码疑问

我正在开展一项发病率研究，结局变量为二分类（是/否），构建了包含固定效应（均为分类协变量）与双随机截距的GLMM模型，代码如下：

twoRIM<-glmer(morbidity~co_fuel+wealth+san_class+residencey+education+marital+age+parity+Electricity_avaliablity +education*age+(1|region)+(1|participant_id),family=binomial,data=M)

经AIC比较，该模型为最优模型。随后我运行以下R代码进行模型诊断：

1. scatter.smooth(fitted(twoRIM),sqrt(abs(resid(twoRIM))),col=6)
2. qqline(resid(twoRIM))
3. plot(twoRIM)
4. qqnorm(resid(twoRIM),main="Residual normal plot",col=4,adj=0.1)
5. qqnorm(ranef(twoRIM)$"region"[[1]],main="Regional level random effects",col=2,adj=0.1)
6. qqnorm(ranef(twoRIM)$"participant_id"[[1]],main="Cluster level random effects",col=6,adj=0.1)
7. plot(fitted(twoRIM),resid(twoRIM),col=4)
8. qqnorm(resid(twoRIM))

但生成的残差等诊断图与我以往认知差异较大，难以解读细节，怀疑代码参数设置有误，恳请专家提供宝贵建议。

诊断代码优化建议 #

• 残差类型选择：默认的resid(twoRIM)对二分类GLMM不是最优选择，建议改用皮尔逊残差(resid(twoRIM, type = "pearson"))或偏差残差(resid(twoRIM, type = "deviance"))，这两种残差更适配二分类模型的诊断逻辑。
• QQ图的正确用法：qqline()需要配合qqnorm()一起运行，单独执行qqline(resid(twoRIM))无法生成完整QQ图，正确写法如下：

  qqnorm(resid(twoRIM, type = "pearson"), main = "Residual normal plot", col = 4, adj = 0.1)
  qqline(resid(twoRIM, type = "pearson"))
  

• 随机效应诊断简化：查看随机效应时，直接用plot(ranef(twoRIM))即可，该函数会自动生成两个水平随机效应的QQ图和箱线图，比手动提取数据更规范。
• 拟合值-残差图优化：二分类模型的残差本身具有离散性，建议添加平滑线辅助判断趋势：

  plot(fitted(twoRIM), resid(twoRIM, type = "pearson"), col = 4)
  lines(lowess(fitted(twoRIM), resid(twoRIM, type = "pearson")), col = "red")
  

• 删除冗余代码：你重复运行了两次qqnorm(resid(twoRIM))，合并成一次并添加QQ线即可。

额外提示 #

二分类GLMM的残差诊断本身比线性模型更复杂，残差是离散的，QQ图不会像线性模型那样完美贴合直线。重点关注两个核心：

• 残差是否随拟合值出现系统性趋势（比如U型、递增/递减）
• 随机效应的QQ图是否大致符合正态分布（允许两端轻微偏离）

内容的提问来源于stack exchange，提问作者Sofonias Derso