如何使用emmeans将均值估计值与零分布进行Bootstrap比较？

你提到的默认检验是将emmean与0对比，这在实际场景中缺乏意义。我们可以通过Bootstrap构建目标水平的均值零分布，再将emmeans的估计值与该分布对比，得到更合理的统计检验结果。以下是具体实现方法：

方法1：基于原始数据的Bootstrap（适配聚类结构） #

由于你的模型包含(1|id)随机效应，抽样时需要保留id的聚类结构，避免破坏组内相关性：

1. 提取x="A"对应的观测数据（每个id对应一个A组观测）：

df_A <- df[df$x == "A", ]
n_A <- nrow(df_A)

2. 生成Bootstrap样本的均值分布（按id有放回抽样，保证聚类结构）：

set.seed(123)
boot_means_A <- replicate(10^4, {
  # 有放回抽取id，再获取对应y值
  sampled_ids <- sample(df_A$id, n_A, replace = TRUE)
  sampled_y <- df_A$y[match(sampled_ids, df_A$id)]
  mean(sampled_y)
})

3. 获取x="A"的emmeans估计值：

emm_A <- emmeans(mod, ~ x) |> dplyr::filter(x == "A") |> dplyr::pull(emmean)

4. 计算双侧检验的p值（统计量绝对值大于等于观测值的比例）：

p_val_A <- mean(abs(boot_means_A) >= abs(emm_A))
p_val_A

方法2：基于模型的Bootstrap（贴合混合模型结构） #

如果要更贴合你的lmer模型逻辑，可在零假设（x对y无影响，模型为y ~ 1 + (1|id)）下生成Bootstrap样本，再拟合原模型计算emmeans构建零分布：

1. 拟合零模型：

null_mod <- lmer(y ~ 1 + (1|id), data = df)

2. 生成Bootstrap样本并计算对应emmeans：

set.seed(123)
boot_emms <- replicate(10^4, {
  # 从残差和随机效应中生成Bootstrap样本
  boot_resid <- sample(resid(null_mod), replace = TRUE)
  boot_re <- sample(ranef(null_mod)$id[,1], replace = TRUE)
  # 生成零假设下的y值（消除x的效应）
  boot_y <- predict(null_mod) + boot_resid + boot_re - ranef(null_mod)$id[df$id,1]
  # 拟合原模型结构
  boot_mod <- lmer(boot_y ~ x + (1|id), data = df)
  # 获取x="A"的emmean
  emmeans(boot_mod, ~ x) |> dplyr::filter(x == "A") |> dplyr::pull(emmean)
})

3. 计算p值：

p_val_A_model <- mean(abs(boot_emms) >= abs(emm_A))
p_val_A_model

注意事项 #

• 抽样次数10^4可根据计算资源调整，次数越多结果越稳定。
• 若需单侧检验，直接对比方向即可，无需取绝对值。
• 方法2更适合混合模型场景，因为它保留了随机效应的结构，结果可靠性更高。

内容的提问来源于stack exchange，提问作者locus