纵向数据混合效应模型自相关检验控制及鸟类行为研究疑问

嘿，这两个问题问得特别戳中纵向数据分析的关键点，我来给你一步步理清楚：

先说说怎么检验自相关 #

首先，你可以先拟合一个不带自相关结构的基础混合效应模型（比如用lme4::lmer()或者nlme::lme()），然后提取模型的残差，通过两种方式判断是否存在自相关：

• 画ACF（自相关函数）图和PACF（偏自相关函数）图：用R里的acf()和pacf()函数直接对残差绘图。如果图里有超出置信区间的点，尤其是滞后1期的点显著，那就说明存在自相关。
• 用Durbin-Watson检验：不过注意普通的DW检验针对的是线性模型，混合效应模型需要用调整后的版本，比如lmtest::dwtest()，但要记得把个体作为分组变量纳入考量；或者用专门针对混合模型的检验工具，比如nlme包里的相关诊断函数。

再说说怎么控制自相关 #

最常用的有三种思路，根据你的数据情况选：

• 直接建模自相关结构：这是最推荐的方法。用nlme::lme()函数（而不是lme4的lmer，因为lme4暂时不支持自相关结构），通过correlation参数指定自相关类型。比如最常见的AR(1)结构（假设相邻时间点的相关系数是ρ，间隔越远相关越弱），代码大概是这样：

  library(nlme)
  model_with_ar1 <- lme(y ~ time + covariates, 
                        random = ~ 1 | bird_id, 
                        correlation = corAR1(form = ~ 1 | bird_id),
                        data = your_data)
  

  如果自相关模式更复杂，还可以试试ARMA或者其他结构，但AR(1)基本能覆盖大多数时间重复测量的场景。
• 加入时间相关的协变量：如果自相关是因为你遗漏了随时间变化的重要变量，比如天气、群体大小的变化，那加入这些变量可能会消除自相关。不过这得基于你对研究系统的了解，而且加完之后还是要再检验残差的自相关。
• 使用稳健标准误：如果暂时不确定自相关的具体结构，可以用聚类稳健标准误来调整，把个体（比如每只鸟）作为聚类单位。比如用lme4::lmer()拟合模型后，用sandwich::vcovCL()计算聚类稳健标准误，再用lmtest::coeftest()做检验。这种方法不直接建模自相关，但能让标准误更可靠，适合应急或者探索性分析。

答案是肯定的，必须校正！

你可能会觉得“我只关心趋势斜率，不关心天与天之间的差异”，但自相关的影响根本不是针对组间差异的——它会直接干扰你对趋势的统计推断可靠性：

• 首先，自相关会让模型的标准误估计偏差。比如如果数据是正自相关（今天的配偶竞争行为高，明天也大概率高），普通混合模型会误以为数据的独立变异很小，算出的标准误会比真实值小很多，导致你错误地认为趋势显著（假阳性）；如果是负自相关，又可能导致标准误偏大，错过真实的显著趋势（假阴性）。
• 极端情况下，严重的自相关甚至会让趋势斜率的点估计出现偏差，尤其是当自相关和时间趋势混杂在一起的时候。

说白了，你要的是“配偶竞争是否随时间增强”这个结论的可靠性，而自相关会破坏这种可靠性。哪怕你不关注天与天的差异，只要你的数据是同一观测单位的重复测量，自相关就存在，就必须校正。

我的建议是：先检验残差的自相关，如果确实存在，就在模型里加入AR(1)这类自相关结构，再看趋势的结果——这时候得到的斜率和显著性才是可信的。

内容的提问来源于stack exchange，提问作者Romulo