如何在线性混合模型中为每个实验单元（图）分别提取系数（b0和b1）及其各自的标准误差：
Better fits for a linear model
使用相同的数据集（df），并且对于拟合的模型（fitL1）：我怎样才能获得这样的数据框......
plot b0 b0_se b1 b1_se
1 2898.69 53.85 -7.5 4.3
... ... ... ... ...
答案 0 :(得分：7)
第一个评论是，这实际上是一个非平凡的理论问题：有一个相当long thread on r-sig-mixed-models的内容涉及一些技术细节;你应该看看，即使它有点可怕。基本问题是每组的估计系数值是固定效应参数和该组的BLUP /条件模式的总和，它们是不同的对象类别（一个是参数，一个是条件的平均值。随机变量），这会产生一些技术难题。
第二点是（不幸的是）我不知道在lme中执行此操作的简单方法，因此我的回答使用lmer（来自lme4包）。
如果你很乐意做最简单的事情并忽略固定效果参数和BLUP之间的（可能是定义不明确的）协方差，你可以使用下面的代码。
两种选择是：（1）使用贝叶斯分层方法（例如MCMCglmm包）拟合您的模型，并计算每个级别的后验预测的标准偏差（2）使用参数自举来计算BLUP /条件模式，然后采用bootstrap发行版的标准偏差。
请记住，像往常一样，这个建议没有保修。
library(lme4)
fm1 <- lmer(Reaction ~ Days + (Days | Subject), sleepstudy)
cc <- coef(fm1)$Subject
## variances of fixed effects
fixed.vars <- diag(vcov(fm1))
## extract variances of conditional modes
r1 <- ranef(fm1,condVar=TRUE)
cmode.vars <- t(apply(cv <- attr(r1[[1]],"postVar"),3,diag))
seVals <- sqrt(sweep(cmode.vars,2,fixed.vars,"+"))
res <- cbind(cc,seVals)
res2 <- setNames(res[,c(1,3,2,4)],
c("int","int_se","slope","slope_se"))
## int int_se slope slope_se
## 308 253.6637 13.86649 19.666258 2.7752
## 309 211.0065 13.86649 1.847583 2.7752
## 310 212.4449 13.86649 5.018406 2.7752
## 330 275.0956 13.86649 5.652955 2.7752
## 331 273.6653 13.86649 7.397391 2.7752
## 332 260.4446 13.86649 10.195115 2.7752
答案 1 :(得分：1)
使用nlme让你在那里中途...
您可以使用以下方法提取summary（）的组件：
summary(fitL1)$tTable[,1] #fixed-effect parameter estimates
summary(fitL1)$tTable[,2] #fixed-effect parameter standard errors
等
您可以按行进一步对这些进行子集化：
summary(fitL1)$tTable[1,1] #the first fixed-effect parameter estimate
summary(fitL1)$tTable[1,2] #the first fixed-effect parameter standard error
提取单个参数或标准错误，并使用例如：
将它们组合成数据框df<-data.frame(cbind(summary(fitL1)$tTable[1,1], summary(fitL1)$tTable[1,2]))
names(df)<-c("Estimate","SE")
df
要调整每个绘图的这些参数（随机效果，我推测），您可以使用以下方式拉随机系数：
fitL1$coefficients$random
并将它们添加到参数估计值（B0（截距），B1等）。但是，我不确定如何为每个情节调整标准误差。