我安装了一个模型：
Y~A + A ^ 2 + B + mixed.effect（C）
Y是连续的 A是连续的 B实际上指的是DAY，目前看起来像这样：
Levels: 1 < 2 < 3 < 4 < 5 < 6 < 7 < 8 < 9 < 11 < 12
我可以轻松更改数据类型，但我不确定将B视为数字，因子或有序因子是否更合适。当被视为数字或有序因子时，我不太清楚如何解释输出。
当被视为有序因子时，summary（my.model）输出如下内容：
Linear mixed model fit by REML ['lmerMod']
Formula: Y ~ A + I(A^2) + B + (1 | mixed.effect.C)
Fixed effects:
Estimate Std. Error t value
(Intercept) 19.04821 0.40926 46.54
A -151.01643 7.19035 -21.00
I(A^2) 457.19856 31.77830 14.39
B.L -3.00811 0.29688 -10.13
B.Q -0.12105 0.24561 -0.49
B.C 0.35457 0.24650 1.44
B^4 0.09743 0.24111 0.40
B^5 -0.08119 0.22810 -0.36
B^6 0.19640 0.22377 0.88
B^7 0.02043 0.21016 0.10
B^8 -0.48931 0.20232 -2.42
B^9 -0.43027 0.17798 -2.42
B^10 -0.13234 0.15379 -0.86
L，Q和C是什么？我需要知道每一天（B）对响应（Y）的影响。如何从输出中获取此信息？
当我将B视为.numeric时，我得到类似这样的输出：
Fixed effects:
Estimate Std. Error t value
(Intercept) 20.79679 0.39906 52.11
A -152.29941 7.17939 -21.21
I(A^2) 461.89157 31.79899 14.53
B -0.27321 0.02391 -11.42
为了获得每一天（B）对响应（Y）的影响，我是否应该乘以B乘以B（天数）的系数？不知道如何处理这个输出...
答案 0 :(得分：18)
这不是一个特定于混合模型的问题，而是关于R中模型参数化的一般问题。
让我们尝试一个简单的例子。
set.seed(101)
d <- data.frame(x=sample(1:4,size=30,replace=TRUE))
d$y <- rnorm(30,1+2*d$x,sd=0.01)
这只是一个线性回归：x参数表示y中每单位变化x的变化;截距指定y的{{1}}的预期值。
x=0coef(lm(y~x,d))
## (Intercept) x
## 0.9973078 2.0001922
截距指定因子（coef(lm(y~factor(x),d))
## (Intercept) factor(x)2 factor(x)3 factor(x)4
## 3.001627 1.991260 3.995619 5.999098
）基线水平中y的预期值;当x=1取其他值时，其他参数指定y的预期值之间的差异。
x现在截距指定了{em>均值因子水平的coef(lm(y~ordered(x),d))
## (Intercept) ordered(x).L ordered(x).Q ordered(x).C
## 5.998121421 4.472505514 0.006109021 -0.003125958
值（介于2和3之间）; y（线性）参数给出了线性趋势的度量（不是相当确定我可以解释特定值...），L和Q指定二次和三次项（在这种情况下接近零，因为模式是线性的）;如果有更多级别，则高阶对比将编号为5,6，......
C此对比度将参数指定为连续级别之间的差异，这些级别都是（大约）2的常量值。