我已经做了一些搜索，但是我发现的邮件列表帖子与nlme中未指定随机效果的人相关联，而我已经这样做了。我还拥有Pinheiro和Bates的S和S-Plus中的混合效果模型这本书，但无法从书中解决我的问题。
我还在研究我的营养数据分析，现在已转向实际数据。这些数据来自人口调查，并采用重复测量设计，因为每位受访者都有两次24小时的营养素摄入量回收。
我已经成功地将lme4模型拟合到我的数据中，现在我试图找出如果我使用非线性方法会发生什么。我的数据快照如下：
head(Male.Data)
RespondentID Age SampleWeight IntakeDay IntakeAmt AgeFactor BoxCoxXY
2 100020 12 0.4952835 Day1Intake 12145.852 9to13 15.61196
7 100419 14 0.3632839 Day1Intake 9591.953 14to18 15.01444
8 100459 11 0.4952835 Day1Intake 7838.713 9to13 14.51458
12 101138 15 1.3258785 Day1Intake 11113.266 14to18 15.38541
14 101214 6 2.1198688 Day1Intake 7150.133 4to8 14.29022
18 101389 5 2.1198688 Day1Intake 5091.528 4to8 13.47928
有关数据的摘要信息是：
str(Male.Data)
'data.frame': 4498 obs. of 7 variables:
$ RespondentID: Factor w/ 4487 levels "100013","100020",..: 2 7 8 12 14 18 19 20 21 22 ...
$ Age : int 12 14 11 15 6 5 10 2 2 9 ...
$ SampleWeight: num 0.495 0.363 0.495 1.326 2.12 ...
$ IntakeDay : Factor w/ 2 levels "Day1Intake","Day2Intake": 1 1 1 1 1 1 1 1 1 1 ...
$ IntakeAmt : num 12146 9592 7839 11113 7150 ...
$ AgeFactor : Factor w/ 4 levels "1to3","4to8",..: 3 4 3 4 2 2 3 1 1 3 ...
$ BoxCoxXY : num 15.6 15 14.5 15.4 14.3 ...
使用lme4包，我已成功使用线性混合效果模型（随机效果来自主体，IntakeDay是与BoxCoxXY相关的重复测量因子，是IntakeAmt）的变换：
Male.lme1 <- lmer(BoxCoxXY ~ AgeFactor + IntakeDay + (1|RespondentID),
data = Male.Data,
weights = SampleWeight)
我一直在尝试使用nlme包来查看拟合非线性模型来比较两者，但我无法使用我的语法。我最初的问题是我的数据似乎没有相关的SelfStart模型，因此我使用geeglm生成起始值（系数保存到名为Male.nlme.start的数据框中）。但现在我得到错误：
Error in getGroups.data.frame(dataMix, eval(parse(text = paste("~1", deparse(groups[[2]]), :
Invalid formula for groups
我无法弄清楚我做错了什么，我使用的nlme语法是：
Male.nlme1 <- nlme(BoxCoxXY ~ AgeFactor + IntakeDay + RespondentID , data = Male.Data,
fixed = AgeFactor + IntakeDay ~ 1,
random = RespondentID ~ 1,
start=c(Male.nlme.start[,"Estimate"]))
我在整个模型规范中包含和不包含RespondentID时都尝试过分析，这似乎没有任何影响。
我试图坚持非线性方法的原因是SAS中的原始分析采用了非线性方法。虽然我的残差等在lme分析中看起来可以接受，但我很想知道非线性方法会产生什么影响。
如果有用，上次分析尝试的traceback()结果包括RespondentID：
5: stop("Invalid formula for groups")
4: getGroups.data.frame(dataMix, eval(parse(text = paste("~1", deparse(groups[[2]]),
sep = "|"))))
3: getGroups(dataMix, eval(parse(text = paste("~1", deparse(groups[[2]]),
sep = "|"))))
2: nlme.formula(BoxCoxXY ~ AgeFactor + IntakeDay, data = Male.Data,
fixed = AgeFactor + IntakeDay ~ 1, random = RespondentID ~
1, start = c(Male.nlme.start[, "Estimate"]))
1: nlme(BoxCoxXY ~ AgeFactor + IntakeDay, data = Male.Data, fixed = AgeFactor +
IntakeDay ~ 1, random = RespondentID ~ 1, start = c(Male.nlme.start[,
"Estimate"]))
有谁可以建议我哪里出错了？我开始怀疑（{1）RespondentID中nlme的因子级别是否过多，或者（2）该方法只有在为{{1}提供启动参数时才有效这对我的数据似乎没有意义，因为这是我的主题标识符。
更新：回答Ben，SAS RespondentID模型是固定效应的一般对数似然函数：
nlmixed其中：
ll1 <- log(1/sqrt(2*pi*Scale))
ll2 <- as.data.frame(-(BoxCoxXY - Intercept + AgeFactor + IntakeDay + u2)^2)/(2*Scale)+(Lambda.Value-1)*log(IntakeAmt)
ll <- ll1 + ll2
model IntakeAmt ~ general(ll)
=来自Scale和
geeglm =与先前Lambda.Value的最大对数似然输出相关联的lambda值，用于通过公式boxcox()将IntakeAmt转换为BoxCoxXY
SAS代码中的Male.Data$BoxCoxXY <- (Male.Data$IntakeAmt^Lambda.Value-1)/Lambda.Value语句为：
random因此模型中有两个错误术语，它们都适合作为随机效果。第二个方括号表示按行顺序列出的随机效应方差矩阵的下三角形，并使用SAS语法中的SAS宏变量指定。
我给出的模型摘要是正常的单线概述，显示了协变量矩阵（BX）加上一个误差分量，所以这里没有太多帮助。
第二次更新：我意识到我没有删除与女性受试者相关的RespondentID级别，因为我在整个数据框架中分解了RespondentID，然后按性别划分为单独的数据框进行分析。在为RespondentID删除未使用的因子级别后，我重复了random u1 u2 ~ normal([0,0][&vu1,COV_U1U2,&vu2]) subject=RespondentID
分析，我得到了同样的错误。 nlme结果相同 - 这很有用。 ：）