R中glmer的summary与tab_model结果差异问题咨询

1. 估计值差异的核心原因 #

summary()输出的是logit尺度下的回归系数（对数优势比），而sjPlot::tab_model()默认会自动将logit系数转换为比值比（OR），这是两者数值差异的根源。你可以用exp()函数验证：比如summary中cuecong2incong的系数是-0.33386，计算exp(-0.33386)≈0.716，这就是tab_model里对应的估计值。

如果想让tab_model输出和summary一致的对数优势比，只需添加参数transform = NULL：

sjPlot::tab_model(model.CERT,
                  transform = NULL,  # 禁用比值比转换
                  show.re.var= TRUE,
                  show.stat = TRUE,
                  show.se = TRUE,
                  show.p = TRUE,
                  p.style = "stars",
                  digits = 3,
                  string.se = "se",
                  pred.labels =c("(Intercept)", "Cue", "EdgeDis","TexRot.L","TexRot.Q","EdgeDis*TexRot.L","EdgeDis*TexRot.Q"),
                  dv.labels= "Certainty")

2. summary的Estimate是什么？ #

summary()输出的Estimate不是比值比，而是logit链接下的对数优势比（log-odds）。比值比是对数优势比的指数转换结果，即exp(Estimate)。

3. Satterthwaite与Wald检验：如何选择？ #

先纠正一个误解：glmer()（广义线性混合模型）的summary()默认使用的是Wald z检验，而非Satterthwaite方法——Satterthwaite近似自由度是lmerTest包针对线性混合模型（lmer()）设计的，用于计算t检验的自由度，并不适用于广义线性混合模型的二项分布（广义模型基于渐近正态性，用z检验）。

关于方法选择：

• Wald检验：计算简单，大样本下可靠性高，是广义混合模型的标准默认方法，summary()和tab_model()默认都采用该方法，常规报告中使用完全合规。
• 若样本量较小，或追求更稳健的效应检验，建议补充似然比检验（通过anova(model.CERT, test="Chisq")实现）。它通过比较包含/不包含某效应的模型对数似然差来检验显著性，比Wald检验更严谨。

报告时只需明确说明你使用的检验方法即可。

内容的提问来源于stack exchange，提问作者JayBee