與 nlme/lme4 關聯的“t 值”
我理解在多層次模型中確定自由度的問題；因此，Doug Bates 等人的決定。不要將 p 值報告為 R 中 lme4 包的一部分。更不用說一般來說存在過多的問題，並且過度關注 p 值。
但是，我想澄清在 nlme 或 lme4 中的多級模型的摘要輸出中報告的“t 值”的性質。
從包含相關數據的數據集中報告的 nlme/lme4 中的 t 值實際上不是來自 t 分佈嗎？（不管我們是否知道自由度）。
lme4 中的“t 值”是否可能具有誤導性。
基本上只是， 在哪裡是回歸參數。如果您將此值視為此比率或“標準化”參數，則該值沒有任何誤導性。如果你看看貝茨最初反對的論點-lme4 中的值，他主要寫的是有問題的自由度，而不是的值本身（另見r-sig-mixed-models FAQ）。請注意，不同的統計軟件可以有不同的命名約定，例如SPSS將參數稱為的和標準化參數為’s –lme4 遵循
lm約定來調用它們Estimate和t value.Pinheiro 和 Bates 描述了-值在“S 和 S-PLUS 中的混合效應模型”中，因此很難在本書中尋找反對它們的論據。Bates 在“lme4: Mixed-effects modeling with R” 中也討論了這些比率，與和固定效應模型的值，例如（第 70 頁）：
在固定效應模型中，原始比例中的輪廓軌跡將始終是直線。對於混合模型，這些軌跡可能不是線性的，正如我們在這裡看到的，這與普遍認為的線性混合模型中的固定效應參數推斷相矛盾，基於要么具有適當調整的自由度的分佈將是完全準確的。偏差輪廓的實際模式比這更複雜。
是什麼使它們在某種程度上相似，但並不完全適合我們期望它們用於適當的假設檢驗。
另請注意，其他作者並不總是認為 df 問題是有問題的，例如“使用 R 的線性混合效應模型”中的 Gałecki 和 Burzykowski只是假設自由度並將它們的分佈視為近似，例如（第 84 頁）：
的零分佈-test 統計量是-分佈與自由程度。
和（第 140 頁）：
參數向量各個分量的置信區間 可以基於一個構建-distribution 用作檢驗統計量的近似分佈
所以似乎主要的理由是，雖然- 值可能會因為不明確的零分佈而產生誤導，值仍然有用，至少作為標準化參數。您也可以將它們用於假設檢驗，但您需要對它們的分佈做出一些假設並通過查看剖面圖來驗證它們。貝茨似乎在說的是，您使用它們需要您自擔風險。