使用mgcv和使用lmer进行随机效应建模。基本相同，但非常不同的可能性和DF。哪个用于测试？

Question

我知道随机效应和平滑曲线估计之间存在二元性。 At this link，Simon Wood描述了如何使用mgcv指定随机效应。特别值得注意的是以下段落：

  

例如，如果g是一个因子，则s（g，bs =＆＃34; re＆＃34;）为每个g级产生一个随机系数，其中的无线电系数全部建模为i.i.d.正常。

经过快速模拟后，我可以看到这是正确的，并且模型拟合几乎相同。然而，自由的可能性和程度非常不同。有人可以解释这个区别吗？哪一个应该用于测试？

library(mgcv)
library(lme4)
set.seed(1)
x <- rnorm(1000) 
ID <- rep(1:200,each=5)
y <- x 
for(i in 1:200) y[which(ID==i)] <- y[which(ID==i)] + rnorm(1)
y <- y + rnorm(1000)
ID <- as.factor(ID)

# gam (mgcv)
m <- gam(y ~ x + s(ID,bs="re"))
gam.vcomp(m)
coef(m)[1:2]
logLik(m)

# lmer
m2 <- lmer(y ~ x + (1|ID))
sqrt(VarCorr(m2)$ID[1])
summary(m2)$coef[,1]
logLik(m2)

mean( abs( fitted(m)-fitted(m2) ) )

完全披露：我遇到了这个问题，因为我想要适应包含随机效应（重复测量）的GAM，但需要知道我是否可以信任这些模型下基于可能性的测试。