我有一个mer对象，其中包含固定效应和随机效应。如何提取随机效应的方差估计值？以下是我问题的简化版本。
study <- lmer(Reaction ~ Days + (1|Subject), data = sleepstudy)
study
这会产生很长的输出 - 在这种情况下不算太长。无论如何，我该如何明确选择
Random effects:
Groups Name Variance Std.Dev.
Subject (Intercept) 1378.18 37.124
Residual 960.46 30.991
输出的一部分？我想要这些值本身。
我已经仔细查看了
str(study)
然而什么都没有！我也检查了lme4包中的任何提取函数，但无济于事。请帮忙！
其他回答中的一些方法是可行的，但我认为最好的方法是使用专门设计用于此目的的访问器方法--VarCorr（这与lme4的前身nlme包中的方法相同）。
更新 在最近版本的lme4（版本1.1-7，但以下所有内容可能适用于版本> = 1.0），VarCorr比以前更灵活，并且应该能够满足您的所有需求，而无需查找拟合模型对象的内部细节。
library(lme4)
study <- lmer(Reaction ~ Days + (1|Subject), data = sleepstudy)
VarCorr(study)
## Groups Name Std.Dev.
## Subject (Intercept) 37.124
## Residual 30.991
默认情况下，VarCorr()打印标准差，但是如果您愿意，可以获取方差：
print(VarCorr(study),comp="Variance")
## Groups Name Variance
## Subject (Intercept) 1378.18
## Residual 960.46
(comp=c("Variance","Std.Dev.")将打印两者)。
为了更灵活地使用，您可以使用as.data.frame方法转换VarCorr对象，该对象给出了分组变量、效应变量和方差/协方差或标准偏差/相关性:
as.data.frame(VarCorr(study))
## grp var1 var2 vcov sdcor
## 1 Subject (Intercept) <NA> 1378.1785 37.12383
## 2 Residual <NA> <NA> 960.4566 30.99123
最后，VarCorr对象的原始形式（如果没有必要，您应该不要更改它）是一个方差-协方差矩阵列表，其中还有额外的（冗余的）信息编码标准偏差和相关性，以及属性（"sc"）提供残差标准偏差，并指定模型是否具有估计的比例参数（"useSc"）。
unclass(VarCorr(fm1))
## $Subject
## (Intercept) Days
## (Intercept) 612.089748 9.604335
## Days 9.604335 35.071662
## attr(,"stddev")
## (Intercept) Days
## 24.740448 5.922133
## attr(,"correlation")
## (Intercept) Days
## (Intercept) 1.00000000 0.06555134
## Days 0.06555134 1.00000000
##
## attr(,"sc")
## [1] 25.59182
## attr(,"useSc")
## [1] TRUE
##
lmer返回一个S4对象，因此这应该可以工作：
remat <- summary(study)@REmat
print(remat, quote=FALSE)
输出结果为：
Groups Name Variance Std.Dev.
Subject (Intercept) 1378.18 37.124
Residual 960.46 30.991
一般来说，您可以查看“mer”对象的print和summary方法的源代码：
class(study) # mer
selectMethod("print", "mer")
selectMethod("summary", "mer")
lme4相关--该类现在称为merMod）。 - Ben Bolker> attributes(summary(study))$REmat
Groups Name Variance Std.Dev.
"Subject" "(Intercept)" "1378.18" "37.124"
"Residual" "" " 960.46" "30.991"
attributes(summary(study))中似乎不再有REmat了。 - blazej这个包对于像这样的事情非常有用（https://easystats.github.io/insight/reference/index.html）
library("insight")
get_variance_random(study) #Where study is your fit mixed model
sum <- summary (study)
var <- data.frame (sum$varcor)
VarCorr对象转换为数据框。re_dat = as.data.frame(VarCorr(study))
int_vcov = re_dat[1,'vcov']
resid_vcov = re_dat[2,'vcov']
尝试一下
attributes(study)
举个例子：
> women
height weight
1 58 115
2 59 117
3 60 120
4 61 123
5 62 126
6 63 129
7 64 132
8 65 135
9 66 139
10 67 142
11 68 146
12 69 150
13 70 154
14 71 159
15 72 164
> lm1 <- lm(height ~ weight, data=women)
> attributes(lm1)
$names
[1] "coefficients" "residuals" "effects" "rank"
[5] "fitted.values" "assign" "qr" "df.residual"
[9] "xlevels" "call" "terms" "model"
$class
[1] "lm"
> lm1$coefficients
(Intercept) weight
25.7234557 0.2872492
> lm1$coefficients[[1]]
[1] 25.72346
> lm1$coefficients[[2]]
[1] 0.2872492
结束。
lm()，但问题是关于 lmer() 的，它们并不是同一件事。 - Dirk Eddelbuettel
print(VarCorr(fitted_model),comp="Variance")或者as.data.frame(VarCorr(fitted_model))可以轻松获取方差； (3) 报告方差或标准差取决于上下文 -- 如果尝试思考方差分解/比例解释，我通常更喜欢报告方差，如果试图与固定效应的量级进行比较，则选择标准差。 - Ben Bolker