线性混合加权回归R²的95%CI计算时bootstrap上下界相同问题求助

你写的bootstrap统计函数存在逻辑错误：函数定义中接收了data（原始数据集）和indices（重抽样索引）两个参数，但拟合混合模型时硬编码调用了全局的原始数据集mtcars，完全没有使用重抽样得到的索引对应的子样本。每次迭代拟合的都是同一个完整数据集的模型，所有重复计算得到的R²值完全一致，最终得到的置信区间上下界自然相等。

另外你的示例代码还存在一个隐藏问题：lme()函数属于nlme包，但你只加载了lme4包，运行时会报错。

library(nlme)
library(boot)
library(MuMIn)

# 修正统计函数逻辑：使用重抽样得到的子样本拟合模型
foo <- boot(mtcars, function(data, indices) {
  # 提取重抽样子样本
  sub_data <- data[indices, ]
  mod <- lme(mpg ~ wt, data = sub_data, 
             random = ~1|gear, weights = ~carb)
  # 此处取边际R²，如需条件R²改为取索引[2]即可
  return(r.squaredGLMM(mod)[1])
}, R = 1000)

# 原始全样本的R²值
foo$t0
# 计算95%分位数置信区间
quantile(foo$t, c(0.025, 0.975))

• 可以采用分层bootstrap提升结果稳定性：按照随机效应的分组变量gear分层抽样，避免重抽样时某组完全没有样本导致模型拟合失败，只需要在boot()函数中添加参数strata = mtcars$gear即可。
• 除了MuMIn包的r.squaredGLMM()，你也可以使用performance包的r2()函数计算混合模型的R²，二者计算逻辑一致，输出结果没有差异。
• 加权混合模型的R²为加权后的拟合优度，不要直接和非加权模型的R²做横向对比。

内容的提问来源于stack exchange，提问作者dummy_sas