混合模型随机效应显著性检验：lme4结合RLRsim使用报错咨询

报错原因 #

你最初拟合的(I(Days-4.5)|Subject)随机效应结构会同时估计三个参数：随机截距方差、随机斜率方差、两者的协方差。检验随机斜率显著性时，零假设为「随机斜率方差=0 + 截距斜率协方差=0」，属于同时检验2个参数的场景，而exactRLRT仅支持单个方差参数的检验，因此会触发报错。
你之前调整为独立随机效应结构得到的p值确实无效，因为该结构强制设定截距和斜率的协方差为0，和你原始的模型假设本质不同，检验的不是同一个参数。

可行解决方案 #

方案1：参数自助法似然比检验（推荐）

这是lme4官方文档推荐的适用于多参数随机效应检验的方法，不需要修改原始模型的随机效应协方差结构，完全保留你最初的模型设定。
需要用到pbkrtest包的PBmodcomp函数，示例代码如下：

# 加载所需包
library(lme4)
library(pbkrtest)

# 加载示例数据
data(sleepstudy, package = "lme4")

# 拟合全模型（保留随机截距和斜率的协方差，和原始模型完全一致）
x_full <- lmer(Reaction ~ I(Days-4.5) + (I(Days-4.5)|Subject), 
               data = sleepstudy,
               REML = FALSE) # 似然比检验需要用ML估计，不能用默认的REML

# 拟合零模型：仅保留随机截距，移除随机斜率
x_null <- lmer(Reaction ~ I(Days-4.5) + (1|Subject), 
               data = sleepstudy,
               REML = FALSE)

# 运行参数自助法检验，nsim为自助抽样次数，次数越高结果越稳定，可根据算力调整
pb_result <- PBmodcomp(x_full, x_null, nsim = 1000)
summary(pb_result)

输出结果中PBtest对应的p值就是检验随机斜率显著性的结果，不需要假定随机效应独立。

方案2：贝叶斯后验检验

如果不想依赖频率派的p值，可以用贝叶斯框架拟合原始模型，直接查看随机斜率方差的95%最高密度区间（HDI）是否包含0来判断显著性：

library(brms)
# 拟合贝叶斯混合模型，保留原始随机效应协方差结构
bayes_mod <- brm(
  Reaction ~ I(Days-4.5) + (I(Days-4.5)|Subject),
  data = sleepstudy,
  family = gaussian(),
  chains = 4,
  cores = 4
)
# 查看随机效应参数的后验统计结果
summary(bayes_mod, pars = "sd_Subject")

如果随机斜率方差的95%HDI不包含0，即可认为随机斜率效应显著。

注意事项 #

• 做似然比检验时，全模型和零模型必须统一使用ML估计，不能用默认的REML，否则检验结果无效。
• 参数自助法的抽样次数建议不低于1000，算力允许的情况下可调整到5000次以上，结果会更稳定。

内容的提问来源于stack exchange，提问作者z_11122