R语言flexplot包的R²与ICC结果为何与其他包存在差异？

一、ICC差异的原因 #

你的猜测完全正确：flexplot::iestimates()输出的ICC始终基于仅截距的空模型，而非当前拟合的带预测变量的混合模型。

可以通过空模型验证这一点：

# 拟合仅截距的空模型
null_model <- lmer(darkness ~ 1 + (1|dojo_id), data = jedi)
# 手动计算空模型的ICC
null_var <- data.frame(VarCorr(null_model))$vcov
null_var[1]/sum(null_var)  # 结果为0.177，与iestimates输出完全一致

而performance::icc()计算的是当前模型下的ICC，即组间方差（dojo_id）占总方差（组间+固定效应解释方差+残差）的比例，这也是混合模型领域ICC的常规定义。

二、R²的计算逻辑与含义 #

flexplot的iestimates()输出的R²并非传统的边际/条件R²，而是将总方差分解到模型各成分（截距、固定效应、随机效应、残差）的比例，核心逻辑基于方差的平方和分解：

• Residual R²：输出的0.390是残差方差占总方差的比例，代表模型未解释的变异部分。
• (Intercept)的负R²：当加入预测变量（anger）后，截距的方差贡献被固定效应的解释力抵消，flexplot在计算单个成分的方差贡献时，会考虑变量加入后的增量影响，若某个成分（如截距）在引入其他变量后导致可解释方差减少，就会出现负的R²值，属于该分解方法下的正常现象。

对比performance包的R²定义：

• 边际R²：仅统计固定效应（anger）解释的方差占总方差的比例
• 条件R²：统计固定效应+随机效应共同解释的方差占总方差的比例

两者统计逻辑完全不同，因此结果不具备直接可比性。

三、总结 #

• flexplot的ICC：反映无预测变量时组间变异的占比，而非当前模型的ICC。
• flexplot的R²：是模型各组成部分的方差分解比例，与边际/条件R²定义差异显著，负截距R²是成分间方差抵消的结果。

内容的提问来源于stack exchange，提问作者hanna-without-h