我很难处理多层次模型，并准备了一个可复制的示例以使其清晰明了。
假设我想预测随访12个月后儿童的身高_up，即他们在第==12个月时的身高，使用之前获得的身高值，以及他们之前的体重值，使用这样的数据帧。
df <- data.frame (ID = c (1, 1, 1, 1, 2, 2, 2, 3, 3, 3, 3),
month = c (1, 3, 6, 12, 1, 6, 12, 1, 6, 8, 12),
weight = c (14, 15, 17, 18, 21, 21, 22, 8, 8, 9, 10),
height = c (100, 102, 103, 104, 122, 123, 125, 82, 86, 88, 90))
ID month weight height
1 1 1 14 100
2 1 3 15 102
3 1 6 17 103
4 1 12 18 104
5 2 1 21 122
6 2 6 21 123
7 2 12 22 125
8 3 1 8 82
9 3 6 8 86
10 3 8 9 88
11 3 12 10 90
我的计划是使用以下模型(显然，我的数据比3名患者多得多，每个患者的行数也更多(。因为我的身高在每个患者中都是相关的，所以我想添加一个随机截距(1|ID(，但也添加一个任意斜率，这就是我添加(month|ID(的原因(我在几个预测学生成绩的例子中看到，"场合"或"日考"被添加为随机斜率(。所以我使用了以下代码。
library(tidymodels)
library(multilevelmod)
library(lme4)
#Specifications
mixed_model_spec <- linear_reg() %>%
set_engine("lmer") %>%
set_args(na.action=na.exclude, control = lmerControl(optimizer ="bobyqa"))
#Fitting the model
mixed_model_fit <-
mixed_model_spec %>%
fit(height ~ weight + month + (month|ID),
data = df)
我的第一个问题是，如果我加上"；重量；(及其每个ID的多个值(作为变量；边界(奇异(拟合：请参阅帮助("奇异"("；(即使在我的大型数据集中(，而如果我只保留每个患者一个值的变量(例如性别(，我就不会有这个问题。有人能解释一下为什么吗？
我的第二个问题是，通过训练一个类似的模型，我可以预测新孩子几乎所有月份的身高值(我在第1个月、第X个月、…、第12个月得到一个预测值(，我可以将其与测试集上收集的真实值进行比较。然而，我感兴趣的是预测第12个月的值，并在这次测试中整合每个患者之前的值。换言之，我不希望模型从头开始(更准确地说，从用于训练的患者数据(预测整个值集，也不希望模型从已经可用的新患者在第1个月、第4个月和第6个月等的先前值预测。我如何编写代码来获得这样的预测？
非常感谢你的帮助！
我的第一个问题是，如果我添加"重量；(及其每个ID的多个值(作为变量；边界(奇异(拟合：请参阅帮助("奇异"("；(即使在我的大型数据集中(，而如果我只保留每个患者一个值的变量(例如性别(，我就不会有这个问题。有人能解释一下为什么吗？
当随机效果结构过于复杂而无法得到数据支持时，就会发生这种情况。除此之外，通常不可能准确地确定为什么在某些情况下会发生这种情况，而在其他情况下则不会。基本上模型是过度拟合的。你可以尝试的几件事是：
- 以
month变量为中心 - 将其他数值变量居中
- 通过使用
||而不是|，在没有随机斜率和截距之间相关性的情况下拟合模型
这里还有一些相关的问题和答案：
https://stats.stackexchange.com/questions/378939/dealing-with-singular-fit-in-mixed-models/379068#379068
https://stats.stackexchange.com/questions/509892/why-is-this-linear-mixed-model-singular/509971#509971
至于第二个问题，听起来你想要某种时间序列模型。像AR(1(这样的自回归模型可能就足够了，但lme4不支持这一点。您可以尝试nmle。