為什麼要從混合效應模型中進行預測，而不包括預測的隨機效應？
這更像是一個概念性問題，但當我使用時，
R我將參考R. 如果目標是為了預測目的擬合線性模型，然後在隨機效應可能不可用的情況下進行預測，那麼使用混合效應模型有什麼好處，還是應該使用固定效應模型？例如，如果我有關於體重與身高的數據以及其他一些信息，並使用 構建以下模型
lme4，其中主題是與水平（):
mod1 <- lmer(weight ~ height + age + (1|subject), data=df, REML=F)然後我希望能夠使用新的身高和年齡數據從模型中預測體重。顯然，模型中捕獲了原始數據中的個體差異，但是否可以在預測中使用這些信息？假設我有一些新的身高和年齡數據，並且想預測體重，我可以這樣做：
predict(mod1,newdata=newdf) # newdf columns for height, age, subject這將使用
predict.merMod，我可以在newdf或 set中包含（新）主題的列re.form =~0。在第一種情況下，尚不清楚模型對“新”主題因素做了什麼，在第二種情況下，模型中捕獲的按主題方差是否會被簡單地忽略（平均）以進行預測？在任何一種情況下，在我看來，固定效應線性模型可能更合適。事實上，如果我的理解是正確的，那麼如果預測中沒有使用隨機效應，那麼固定效應模型應該預測與混合模型相同的值。應該是這樣嗎？它不是，
R例如：
mod1 <- lmer(weight ~ height + age + (1|subject), data=df, REML=F)
predict(mod1,newdata=newdf, re.form=~0) # newdf columns for height, age, subject產生不同的結果：
mod2 <- lm(weight ~ height + age, data=df)
predict(mod2,newdata=newdf) # newdf columns for height, age
簡單的思維實驗：你測量了 5 個嬰兒出生後的體重和身高。兩年後你又從同一個嬰兒身上測量了它。同時，您幾乎每週都會測量您的寶貝女兒的體重和身高，從而為她生成了 100 個值對。如果您使用混合效果模型，則沒有問題。如果您使用固定效應模型，您會過度重視女兒的測量結果，以至於如果您只使用她的數據，您將獲得幾乎相同的模型擬合。因此，正確模擬重複測量或不確定性結構不僅對推理很重要，而且對預測也很重要。通常，您不會從混合效應模型和固定效應模型（違反假設）獲得相同的預測。
我可以在 newdf 中包含（新）主題的列
您無法預測不屬於原始（訓練）數據的主題。又是一個思想實驗：新對像是肥胖的。模型如何知道它處於隨機效應分佈的上端？
模型中捕獲的個體差異是否會被簡單地忽略（平均）以進行預測
如果我理解正確，那麼是的。該模型為您提供了總體預期值的估計值（請注意，該估計值仍以原始受試者為條件）。