哪个R LMM函数可实现AR相关结构和交叉随机效应

Question

作为一名心理学家而不是统计学家，我一直使用方差分析对重复测量设计进行分析，但是自那以后，您学会了将混合线性建模与这类实验结合使用来处理（几乎是固有的）球形随之而来的侵权行为。因此，我正在尝试使用这种新技术适当地重新运行所有分析。在尝试重写模型的过程中，我了解到lmer函数可以处理交叉随机效应，但不允许指定AR相关结构，而lme函数则可以相反

对于我自己的情况，我对以下设置进行了实验：

目前，我有5个主题，其中“主题”是随机变量。

每个受试者都受到3种不同的刺激-CS +，CS-和CST。这是一个受试者内部的因素。

在每个刺激表示期间，我们正在12个时间点sec1，sec2，...，sec12的每个时间点测量因变量。这是一个内部因素。

我们收集了其他3个我们希望控制的变量：

1. 性别（男和女）（变量名称=“ 性别”）
2. STAI-T焦虑评分（变量名称=“ staiT ”）
3. STAI-S焦虑评分（变量名称=“ staiS ”）

虽然看起来很奇怪，但“刺激”和“时间点”都是我们感兴趣的独立变量，因为我们既对刺激之间的评分差异感兴趣，又对这些差异（在试验范围内）感兴趣。因此，我们正在考虑“ CS ”和“ sec ”固定变量。

我从R函数开始如下：

model <- lmer(rating ~ CS*sec + sex + staiT + staiS, data = dataframe, REML = F)

但是，正是随机效应使我无法接受。数据如下所示：

很显然，最合适的模型是：

model <- lmer(rating ~ CS*sec + sex + staiT + staiS + (1|subject), data = dataframe, REML = F)

但是很明显，每个对象都显示与 CS 相关联的唯一斜率，这将导致以下模型：

model <- lmer(rating ~ CS*sec + sex + staiT + staiS + (CS|subject), data = dataframe, REML = F)

这个问题是我不知道该如何处理 sec 变量；我敢肯定，如何确定是否存在与之相关的随机效应。我看过一些纵向研究的例子，它们基本上是这样说的，但不知道该寻找什么。如果是这样， CS 和秒会被交叉，这样我的模型最终会被

model <- lmer(rating ~ CS*sec + sex + staiT + staiS + (CS|subject) + (sec|subject), data = dataframe, REML = F)

但是，由于这也是一项重复测量研究，我相信自回归相关结构会更好地拟合此数据-显然无法在lmer中指定。看来，如果我想做到最好，那就是：

model <- lme(rating ~ CS*sec, random = ~CS|subject, correlation = corAR1(), data = dataframe, method = "ML")

在这里，我显然看不到特定的交叉随机因素。

鉴于所有这些，我有3个问题：

1. 在这里，一种模式比其他模式更有意义吗？
2. 您如何确定 sec （或等时课程研究）是否是随机因素？我只是无法解决这个问题。在查看CS时，我只是查看每条CS线OVER SEC的斜率以获得答案，但是就秒本身而言，我不知道该如何解决。
3. 虽然这最终可能不适用于我，但我很好奇：在使用R且具有AR相关结构和交叉随机效应的情况下，您会怎么做？您要使用哪个功能或如何破解某个功能，才能做到这一点？还是不可能？

非常感谢任何人都能提供的任何见识。