使用lmer拟合模型时遇报错：(p <- ncol(X)) == ncol(Y) is not TRUE

你遇到的这个错误确实和缺失值（NA）直接相关，但本质是自变量、因变量和分组变量的有效样本行数不匹配导致的。当你用data$变量名的方式传入变量时，lmer会单独处理每个变量的NA——比如自变量里有NA的行被自动剔除，但因变量还是完整的，最终导致两者维度不一致，触发这个报错。下面是具体的解决步骤：

1. 统一清理缺失值，保证样本匹配 #

首先，筛选出所有用到的变量（因变量、自变量、分组变量）都没有NA的行，确保所有变量的有效样本完全一致：

# 方式1：用base R的complete.cases
clean_data <- data[complete.cases(data$im.adpt, data$pnr, data$female_c, data$age_c, data$age_c2, data$nomem_encr, data$nohouse_encr), ]

# 方式2：用dplyr更简洁（需要先加载dplyr包）
library(dplyr)
clean_data <- data %>% 
  select(im.adpt, pnr, female_c, age_c, age_c2, nomem_encr, nohouse_encr) %>% 
  drop_na()

2. 用规范的语法拟合模型 #

不要用data$变量名的方式传参，而是把数据集通过data参数传给lmer，直接写变量名即可。这种写法不仅更简洁，还能从根源上避免维度不匹配的问题：

model.covars.im.adapt <- lmer(
  im.adpt ~ pnr + female_c + age_c + age_c2 + (1 | nomem_encr) + (1 | nohouse_encr), 
  data = clean_data
)

3. 额外注意事项 #

• 别忘了检查分组变量（nomem_encr和nohouse_encr）的NA值，这些变量的缺失也会导致样本被剔除，进而影响维度匹配。
• 如果你不想删除缺失值、想保留样本，可以用多重插补的方式处理，比如用mice包生成插补数据集，再用mitml包拟合多水平模型，这样能最大程度保留数据信息。

内容的提问来源于stack exchange，提问作者Panagiotis Kokkoris