线性混合模型(lmer)与lsmeans估计边际均值输出差异问题咨询

两类结果存在差异的根本原因 #

两个结果检验的根本不是同一个统计量，不存在谁算错的问题，核心差异来源有三点：

• lmer()原生summary输出的固定效应项，对应的是treatment编码下的条件简单效应差值。你把负向语境设为基线时，礼貌语境对应的系数，代表模型中所有其他固定效应取基线值/0值、随机效应保持在平均水平时，礼貌语境和负向语境的愉悦度评分差。这个差值的计算不做跨样本、跨协变量的加权，标准误基于模型原始协方差矩阵计算，反映的是特定协变量取值下的局部效应。
• lsmeans()输出的估计边际均值成对比较，对应的是平衡加权后的总体平均效应差值。计算时会自动对模型中所有其他协变量、交互项的水平分布做平衡加权，相当于把其他变量的影响“平均掉”之后，得到两个语境水平在总体层面的边际均值差。只要你的数据是非均衡设计（不同语境下的试次、被试分布不等），或者模型中除了语境主效应之外还包含其他协变量、交互项，两个效应的数值本身就会存在差异，对应的标准误、p值自然不一致。
• 你判断差异和多重比较校正无关是正确的：Holm校正属于p值向上调整的方法，只会让原始p值变大、不会变小，p值从0.35降到0.05的核心原因是两个检验对应的效应本身不同，和校正流程无关。额外要注意：如果你的lmer输出没有指定自由度估计方法（lme4包默认不输出精确p值，很多人手动按正态分布近似计算p值），而lsmeans默认用Satterthwaite或Kenward-Roger法校正自由度，也会带来小幅度的p值偏差，但不会造成这么大的差异量级。

学术写作中的结果选择依据 #

选择哪个结果完全由你的研究假设决定，没有统一的“正确选项”，通用判断规则如下：

• 如果你的研究核心假设是检验特定协变量取值下的简单效应（比如你明确要探究其他实验条件都取基线水平时，负向和礼貌语境的评分差异），就报告lmer()原生固定效应结果，写作时需要明确说明该结果是协变量取特定值时的简单效应，不能混淆成总体主效应。
• 如果你的研究核心假设是检验控制其他变量后的总体主效应（绝大多数行为实验探究某操纵的整体效应时都是这类假设），就报告lsmeans()（新版包名为emmeans）输出的估计边际均值成对比较结果。这也是当前社科领域线性混合模型结果报告的主流规范：通常先报告固定效应的III型平方和方差分析结果，再报告边际均值的成对比较，同时明确标注使用的多重比较校正方法。
• 校验小技巧：如果你的实验是完全均衡设计，模型中仅包含语境这一个固定效应、没有其他协变量和交互项，两个结果应该完全一致；只要出现明显差异，就说明模型存在额外协变量/交互项、或数据不均衡，此时只需要匹配你的研究假设选择对应结果即可。

内容的提问来源于stack exchange，提问作者Samedi