添加控制变量后lmer中分类因子各水平系数未变的原因咨询

这个现象的核心原因和你数据的结构、被试内设计的统计特性直接相关，咱们一步步拆解清楚：

首先看你模拟数据的构造：control_a和control_b都是每个被试仅对应一个固定值，在长格式数据里，同一个id的三个处理观测中，这两个控制变量的数值完全一致。换句话说，它们是被试层面的变量——只捕捉不同被试之间的差异，和同一被试内部的处理差异完全无关。

再看你的lmer模型：你加入了(1|id)的随机截距，这个随机效应的作用就是吸收所有被试间的变异——包括不同被试的基线差异、控制变量带来的差异等等。而处理虚拟变量捕捉的是被试内的变异：同一个被试在不同处理下因变量的变化幅度。

统计上，这两部分变异是完全正交的——它们解释的是数据中完全不重叠的部分。打个比方：你可以把每个被试的因变量值拆成「被试的平均水平」加上「该处理相对于被试平均水平的偏差」。控制变量用来预测的是「被试的平均水平」，而处理效应估计的是「处理偏差」，这两者互不干扰，所以你加入控制变量后，处理效应的系数自然不会发生变化。

哪怕你的控制变量和被试的平均水平有显著关联，它也只会改变模型的截距和控制变量自身的系数，处理效应的估计值依然纹丝不动——因为处理效应只关心同一被试内部的差异，和被试之间的控制变量差异没有任何关系。

再回到你的模拟结果细节：你会发现模型1和模型2的残差方差完全一致（都是15.492），但随机截距的方差变小了——这是因为控制变量承担了一部分被试间变异的解释任务，剩下的被试间变异由随机截距捕捉，但这完全不影响被试内的处理效应估计。

内容的提问来源于stack exchange，提问作者JFJ