lmer随机截距混合效应模型报错：分组因子水平数需小于观测数

我最近在用混合效应模型分析目标年龄和性别交叉作用（控制种族）对温暖度、能力评分的影响。实验设计是276名参与者各给2个不同交叉身份的目标评分，数据集共276行，ResponseId对应276个唯一参与者；目标年龄有Old、Young、空值三个水平，目标性别有Men、Women、空值三个水平。运行以下lmer代码时触发报错，想知道原因：

示例数据 #

ResponseId TargetAge TargetGender TargetAge2 TargetGender2  Warmth1  Warmth2
1 R_3O1E4cOxRIejI1k       Old        Women                    Women   5.363636 5.272727
2 R_1EaFGkyVNdhlgQO       Old        Women                      Men   5.181818 5.181818
3 R_2eVHfsG4p7g0QZE       Old          Men      Young           Men   3.909091 3.545455
4 R_BtYn33qaXVoYh8d       Old          Men      Young           Men   1.363636 2.636364
5 R_d5S9ajl6C9bfTNL       Old        Women                    Women   4.727273 3.909091
6 R_1kXCRRZvdTmYsj7       Old        Women      Young           Men   5.454545 5.545455

示例代码及报错 #

model <- lmer(Warmth1 ~ TargetAge*TargetGender + (1 | ResponseId), 
              data=my_data)

Error: number of levels of each grouping factor must be < number of 
    observations (problems: ResponseId)

报错原因 #

核心问题是分组因子ResponseId的水平数（276）和观测数（276）完全相等，不满足lmer对随机效应的要求。
你的数据集是宽格式：每个参与者占一行，同时记录了对两个目标的评分（Warmth1、Warmth2）。但你只拟合了Warmth1这一列，此时每个ResponseId只对应1条观测——随机截距需要同一分组下有多个观测才能计算组间变异，现在根本没法估计参与者之间的个体差异，所以直接报错。

解决办法 #

1. 转长格式（推荐）

把成对的变量（比如Warmth1/Warmth2、TargetAge/TargetAge2）合并，让每个目标的评分单独占一行。转换后观测数会变成552行，每个ResponseId对应2条观测，就能满足随机效应的要求了。
用tidyr包转换的示例代码：

library(tidyr)
long_data <- pivot_longer(my_data, 
                          cols = c(Warmth1, Warmth2), 
                          names_to = "Target_Number", 
                          values_to = "Warmth") %>%
              pivot_longer(cols = c(TargetAge, TargetAge2), 
                          names_to = "Age_Col", 
                          values_to = "TargetAge") %>%
              pivot_longer(cols = c(TargetGender, TargetGender2), 
                          names_to = "Gender_Col", 
                          values_to = "TargetGender") %>%
              # 匹配对应目标的年龄、性别和评分
              filter(substr(Target_Number, 6,6) == substr(Age_Col, 9,9),
                     substr(Target_Number, 6,6) == substr(Gender_Col, 13,13)) %>%
              select(-Age_Col, -Gender_Col)

转换后再拟合模型：

model <- lmer(Warmth ~ TargetAge*TargetGender + (1 | ResponseId), 
              data = long_data)

2. 坚持宽格式（不推荐）

如果一定要用当前的宽格式，那没法加ResponseId的随机效应，只能拟合普通固定效应模型，但这样没法控制参与者之间的个体差异，结果的可靠性会打折扣：

model <- lm(Warmth1 ~ TargetAge*TargetGender, data = my_data)

额外提醒 #

拟合模型前记得处理TargetAge和TargetGender里的空值，要么删除对应行，要么用合理方式填充，不然会丢失样本，还可能影响模型估计结果。

内容的提问来源于stack exchange，提问作者Marco Mai