线性混合效应模型：同被试回归因子分离及数据结构构建疑问

要搞定这个问题，核心是把变量的层次关系和随机效应的设定理清楚，具体可以这么做：

• 先明确两个回归因子的层级：如果它们都是被试内的观测级变量（比如每个被试的每一次观测都有这两个变量的值），直接把它们都放进固定效应里，同时给被试加上随机截距（用来捕捉被试间的个体差异）。比如用lme4包的话，代码大概是：

  lmer(Y ~ X1 + X2 + (1 | subj_id), data = your_data)
  

  如果这两个因子的效应在不同被试身上有差异（比如有的被试对X1更敏感，有的对X2更敏感），还可以给它们加随机斜率：

  lmer(Y ~ X1 + X2 + (1 + X1 + X2 | subj_id), data = your_data)
  

• 如果两个回归因子是嵌套在被试下的不同组（比如每个被试有好几个X1的水平，每个X1水平下又有X2的取值），那一定要把数据整理成长格式——每一行对应一个单独的观测，这样模型才能准确区分两个因子的独立效应。

先帮你梳理下你的实验设计：6种条件是「0%/20%/30%」和「X3=0/1」的交叉组合，每个被试在每种条件下有1个Y值；三个预测变量在每个条件下有6次试次数据。针对这个情况，我给你一步步说怎么搭数据结构：

• 第一步：整理Y数据到长格式
  每个被试对应6行数据，每行对应一种条件。你可以把条件拆成两个单独的列：比如percentage（取值0、20、30）和cond_X3（取值0、1，避免和预测变量的X3混淆），再加上被试IDsubj_id和对应的Y值，这部分的结构大概是：

  subj_id	percentage	cond_X3	Y
  1	0	0	12
  1	0	1	15
  1	20	0	18

• 第二步：处理预测变量的6次试次数据
  因为你的Y是条件级的（每个条件1个值），预测变量也需要汇总到条件级：把每个被试×每个条件下的6次试次数据取均值（或者你需要的其他统计量，比如中位数），得到每个条件下的预测变量值，然后和上面的Y数据合并。比如三个预测变量是X1、X2、pred_X3，合并后的数据结构就变成：

  subj_id	percentage	cond_X3	Y	X1_mean	X2_mean	pred_X3_mean
  1	0	0	12	3.2	5.1	0.4

• 第三步：模型构建的小建议
  • 固定效应可以加入percentage（如果是连续变量就直接用，要是想看不同百分比的差异就转成分类变量）、cond_X3，还有三个汇总后的预测变量，以及你感兴趣的交互项（比如percentage:cond_X3，看百分比和X3的交互效应）。
  • 随机效应至少要加被试的随机截距(1 | subj_id)，如果某个固定效应的影响在被试间差异很大（比如不同被试对百分比的反应不一样），可以加上对应的随机斜率，比如(1 + percentage | subj_id)。
• 关于你提到的「被迫合并三个条件下的响应变量」：只要你保留了区分原条件的标识列（比如加一个original_condition列），直接把这个列放进固定效应里，就能分离不同原条件的影响，完全不影响你达成研究目标，不用太担心。

内容的提问来源于stack exchange，提问作者user196416