R语言中线性混合模型的预测：基于lme4包sleepstudy数据集预测未观测天数的反应值

没问题，这就带你一步步实现对18名受试者在Day=12和Day=14的Reaction值预测，最终得到你想要的三列数据集：

步骤1：生成待预测的新数据集 #

首先我们需要创建一个包含所有受试者（18名）和目标天数（12、14）的组合数据框，用expand.grid()函数就能轻松实现：

# 提取sleepstudy里的所有受试者（去重）
subjects <- unique(sleepstudy$Subject)
# 定义需要预测的天数
new_days <- c(12, 14)
# 创建包含所有预测组合的数据集
new_data <- expand.grid(Days = new_days, Subject = subjects)

这一步会生成36行（18个受试者×2个天数）的数据框，刚好覆盖我们需要预测的所有场景。

步骤2：用拟合好的模型生成预测值 #

我们已经有了含随机截距的模型fit1，直接调用predict()函数就能生成受试者特异性的预测值，注意要指定newdata参数为我们刚创建的数据集：

# 生成预测值，默认会纳入每个受试者的随机截距（条件预测）
new_data$Predicted_Response <- predict(fit1, newdata = new_data)

这里要说明：predict(lmer模型)默认是条件预测，也就是会结合每个受试者的随机截距计算个性化预测值，这正是我们需要的；如果想要只看固定效应的平均预测（不考虑个体差异），可以加re.form = ~0参数，但这里我们不需要这个选项。

步骤3：查看最终结果 #

现在new_data就是符合要求的三列数据集了，直接打印就能看到格式：

print(new_data)

输出会和你预期的完全一致：

Days Subject Predicted_Response
12 308 [对应预测值]
12 309 [对应预测值]
...
14 371 [对应预测值]
14 372 [对应预测值]

完整代码汇总 #

把所有步骤整合起来，完整可运行的代码如下：

library("lme4")
# 加载数据集
data(sleepstudy)
# 拟合含随机截距的线性混合模型
fit1 <- lmer(Reaction ~ Days + (1 | Subject), data = sleepstudy)

# 生成待预测的新数据集
subjects <- unique(sleepstudy$Subject)
new_days <- c(12, 14)
new_data <- expand.grid(Days = new_days, Subject = subjects)

# 生成预测值并添加到数据框
new_data$Predicted_Response <- predict(fit1, newdata = new_data)

# 预览结果
head(new_data)

内容的提问来源于stack exchange，提问作者John Majimboni