如何用随机截距拟合重复测量回归模型

Question

我遇到的主要问题是尝试确保正确地指定重复测量模型，并对小组产生随机影响。没有治疗组。

我有一个数据集，参与者在一年中回答了一项调查，第二年又在一项后续调查中回答了。参加者属于不同的组，每个组在两次调查的管理之间分别执行质量改进计划。利益相关者想知道Year1和Year 2之间是否有变化。参与者被嵌套在组中。小组被认为是随机的，因为我主要对随时间的变化感兴趣（小组可能以不同的方式管理程序）。 （我遇到的一个问题是我曾经拥有SAS，并且我对该软件中的模型过程更为熟悉。）

数据看起来像这样（总共约有108个匹配对） 这是一小组数据：

mydata <- data.frame(
  Participant = c(21, 22, 23, 24, 25, 26, 27), 
  Year = c(rep(c("Year1", "Year2"), each=7)), 
  Group = c(rep(c("Group1", "Group2", "Group3", "Group4", "Group5", "Group6", "Group7"), 
                  each = 1)), 
  Outcome = c(1.2, 1.45, 2.1, 3.0, 3, 3.5, 2.8, 
                1.5, 1.9, 2.5, 3.6, 3.8, 4.1, 3.8 
            ))

我试图以这种方式拟合模型：

 model <- lmer(Outcome ~ Year  +(1|Group:Year), mydata)

但是，由于我不确定我是否理解（1 | Group：Year）术语，因此我不清楚我是否适合我的设置。我认为这意味着每个组对年份的每个值都有一个随机的截距，但是我不确定这比仅仅估计一个没有时间嵌套的随机效果更合适。在SAS中，我可以看到每个随机效应水平的特定参数估计值，但是coef(model)仅产生截距本身的估计值，而没有输出表明特定组是否不同于建模均值。另外，我看不到如何指定对“参与者”的每个值进行多次测量。

非常感谢您提供有关如何正确使用lmer的提示-它功能强大，但对我来说却是新知识。