Linear Mixed Effects Models奇异性是否利于个体认知下降斜率计算？

你对奇异性影响的判断是错误的，模型奇异性不仅不会提升个体斜率的计算精度，反而会导致你得到的个体斜率存在系统性偏差，可信度极低。

• 首先明确线性混合效应模型（LMEM）输出的个体斜率本质是最佳线性无偏预测（BLUP，也叫经验贝叶斯估计），它是个体单独回归斜率、群体固定效应斜率的加权平均值，权重由随机效应的方差估计值、个体观测数共同决定。当模型出现奇异性时，通常对应随机效应的方差被估计为0/接近0，或随机效应间的相关系数被估计为±1，这时候权重会完全向群体固定效应倾斜，你得到的个体斜率会被过度压缩到群体平均水平，根本无法反映真实的个体认知衰退差异，完全谈不上精度更高。
• 持续出现奇异性本身就说明你当前设定的模型复杂度远超数据可支撑的上限：你提到每位受试者每年仅完成1次测试，若随访周期较短，单名受试者的有效观测通常只有2~3条，根本不足以支撑包含过多随机效应项的复杂模型，此时输出的所有参数估计（包括个体斜率）都是不稳定的，仅需微调模型参数、更换求解器就会出现大幅波动，结果不具备可重复性。
• 奇异性带来的问题不局限于预测场景：你认为奇异性仅影响预测是典型的认知误区，奇异性代表模型的方差-协方差矩阵不可逆，参数估计的统计推断基础已经不成立，不管是用模型做预测还是提取参数，结果都不可靠。

• 优先简化LMEM的随机效应结构：从仅包含「随机截距+距基线时长随机斜率」的最简结构开始拟合，去掉其余不必要的随机效应项，验证奇异性是否消失；如果仍然存在奇异，可进一步移除随机斜率仅保留随机截距，或改用贝叶斯框架的LMEM，给随机效应方差添加弱信息先验，避免方差被估计为0。
• 若你的研究核心仅为获取个体水平的年衰退速率，且每位受试者的随访记录≥3次，完全可以直接对每个个体单独拟合认知得分 ~ 距基线时长的线性回归，提取斜率即可，这种方法得到的个体斜率比奇异LMEM输出的BLUP值更贴近个体真实变化，不存在过拟合风险。

内容的提问来源于stack exchange，提问作者kostas