如何在R的GLMM中处理跨10组个体的David’s Score（含重复个体）

嘿，针对你在R中构建混合线性效应模型的困惑，我来一步步给你梳理解决方案！

第一步：数据预处理（关键！） #

因为你存在个体跨组和分性别David’s Score的情况，首先得把数据整理成混合模型需要的长格式：

• 确保每一行代表一个个体在某一个组中的观测：同一个体如果在多个组里，就会对应多行记录，这样混合模型的随机效应才能捕捉个体的重复测量差异。
• 必备列清单：individual_id（个体唯一标识）、group_id（组唯一标识）、sex（个体性别）、boldness（自变量）、group_sex_ratio（组性别比例类型：偏雄/偏雌/均衡），以及你要用到的分性别David’s Score（原始或标准化版）。
• 匹配分性别的Score：把你那20套（每组男女各一套）的David’s Score单独整理成一个表，列至少包含group_id、sex、davids_score（或normalised_davids_score），然后用dplyr::left_join()把它和主数据按group_id+sex关联起来，确保每个个体在对应组的性别Score匹配正确。
• 检查缺失值：确认没有个体-组-性别组合缺失Score的情况，要是有，要么补全要么标记后剔除（根据你的研究需求）。

第二步：分性别构建混合模型 #

既然已经明确要分性别建模，我们可以先拆分数据，再用lme4包（最常用的混合模型工具）构建模型：

代码示例 #

# 加载必备包
library(dplyr)
library(lme4)

# 假设你的主数据是main_data，分性别Score表是davids_scores
# 1. 合并数据
merged_data <- main_data %>%
  left_join(davids_scores, by = c("group_id", "sex"))

# 2. 按性别拆分数据集
male_data <- merged_data %>% filter(sex == "male")
female_data <- merged_data %>% filter(sex == "female")

# 3. 构建男性组模型（以原始David’s Score为因变量）
# 随机效应：个体（控制跨组重复测量）+ 组（控制组间聚类）
male_model <- lmer(davids_score ~ boldness + (1 | individual_id) + (1 | group_id), 
                   data = male_data)
summary(male_model)

# 女性组模型同理
female_model <- lmer(davids_score ~ boldness + (1 | individual_id) + (1 | group_id), 
                     data = female_data)
summary(female_model)

# 如果你想探究组性别比例对boldness效应的调节，可以加交互项
male_model_with_interaction <- lmer(
  davids_score ~ boldness * group_sex_ratio + (1 | individual_id) + (1 | group_id), 
  data = male_data
)
summary(male_model_with_interaction)

额外注意事项 #

• 随机斜率的选择：上面的模型用的是随机截距（(1 | id)），如果你想允许boldness的效应在个体或组间变化，可以改成随机斜率，比如(1 + boldness | individual_id)，但你的样本量（10组，每组最多12个个体）不算大，加随机斜率可能导致模型收敛困难，建议先从随机截距开始，再根据模型诊断调整。
• 标准化Score的使用：如果用normalised_davids_score作为因变量，只需要把模型里的davids_score替换成对应的列名就行，解释结果时要说明是标准化后的分数。
• 模型诊断：用lme4::check_model()或者绘制残差QQ图、残差拟合图，检查模型的正态性和异方差假设是否成立，这一步很重要，避免模型结果不可靠。

内容的提问来源于stack exchange，提问作者James Worthington