我想使用lme4，nlme，贝叶斯回归包或任何可用的模型拟合混合模型。
Asreml-R编码约定中的混合模型
在进行具体说明之前，对于不熟悉ASREML代码的用户，我们可能希望了解有关asreml-R约定的详细信息。
y = Xτ + Zu + e ........................(1) ; 通常的混合模型，其中y表示观测值的n×1向量，其中τ是固定效应的p×1向量，X是全列秩的n×p设计矩阵，将观测值与固定效应的适当组合相关联，u是随机效应的q×1向量，Z是将观察结果与适当的随机效应组合相关的n×q设计矩阵，e是残差的n×1向量，模型（1）被称为线性混合模型或线性混合效应模型。假设
其中矩阵G和R分别是参数γ和φ的函数。
参数θ是方差参数，我们将其称为比例参数。
在具有多个残差方差的混合效应模型中，例如在分析具有多个截面或变量的数据时，参数θ固定为1。在具有单个残差方差的混合效应模型中，θ等于残差方差（σ2）。在这种情况下，R必须是相关矩阵。有关模型的更多详细信息，请参见Asreml手册（链接）。
误差的方差结构：R结构和随机效应的方差结构：可以指定G结构。
asreml（）中的方差建模重要的是要了解通过直接乘积形成方差结构的过程。通常的最小二乘假设（以及asreml（）中的默认值）是这些都是独立且均匀分布的（IID）。但是，如果数据来自以r行×c列的矩形阵列布置的现场实验，例如，我们可以将残差e安排为矩阵，并可能认为它们在行和列内是自相关的。向量以场顺序排列，也就是说，通过对列内的残差行（块内的曲线）进行排序，则残差的方差可能为
分别是行模型（阶r，自相关参数½r）和列模型（阶c，自相关参数½c）的相关矩阵。更具体地，在田间试验分析中，有时会针对常见误差假定二维可分离的自回归空间结构（AR1 x AR1）。
示例数据：
nin89来自asreml-R库，该库在矩形字段的复制/块中生长了不同的变量。为了控制行或列方向上的其他可变性，每个图都被称为行和列变量（行列设计）。因此此行列的设计具有阻塞性。产量是测量变量。
示例模型
我需要等同于asreml-R代码的内容：
简单的模型语法如下所示：
rcb.asr <- asreml(yield ∼ Variety, random = ∼ Replicate, data = nin89)
.....model 0线性模型在固定（必需），随机（可选）和rcov（误差分量）参数中指定为公式对象。默认值是简单误差项，不需要像模型0中那样正式为误差项指定。
这里的变化是固定的，随机是重复的（块）。除了随机和固定项，我们还可以指定误差项。在该模型0中为默认值。通过rcov参数在公式对象中指定模型的残差或误差分量，请参见以下模型1：4。
以下模型1更复杂，其中同时指定了G（随机）和R（错误）结构。
模型1：
data(nin89)
# Model 1: RCB analysis with G and R structure
rcb.asr <- asreml(yield ~ Variety, random = ~ idv(Replicate),
rcov = ~ idv(units), data = nin89)此模型等效于上述模型0，并介绍了G和R方差模型的使用。在这里，选项random和rcov指定随机和rcov公式，以明确指定G和R结构。其中idv（）是asreml（）中的特殊模型函数，用于标识方差模型。表达式idv（units）将e的方差矩阵显式设置为缩放的恒等式。
＃模型2：在一个方向上具有相关性的二维空间模型
sp.asr <- asreml(yield ~ Variety, rcov = ~ Column:ar1(Row), data = nin89)nin89的实验单位由列和行索引。因此，在这种情况下，我们期望在两个方向上随机变化-行和列方向。其中ar1（）是一个特殊函数，用于指定Row的一阶自回归方差模型。该调用为错误指定了二维空间结构，但仅在行方向上具有空间相关性.Column的方差模型为恒等式（id（）），但无需正式指定，因为这是默认设置。
＃模型3：二维空间模型，双向误差结构
sp.asr <- asreml(yield ~ Variety, rcov = ~ ar1(Column):ar1(Row),
data = nin89)
sp.asr <- asreml(yield ~ Variety, random = ~ units,
rcov = ~ ar1(Column):ar1(Row), data = nin89)与上述模型2类似，但是相关性是两个方向-自回归一个方向。
我不确定使用开源R包可以实现多少这些模型。即使解决这些模型中的任何一个都会有很大的帮助。即使+50的强壮性可以刺激开发这样的软件包，也会有很大的帮助！
请参阅MAYSaseen提供了每个模型的输出和数据（作为答案）以进行比较。
编辑：以下是我在混合模型讨论论坛上收到的建议： “您可能会看到David Clifford的回归和spaceCovariance包。前者允许拟合（Gaussian）混合模型，您可以在其中灵活地指定协方差矩阵的结构（例如，我已将其用于血统书数据。）spatialCovariance包使用回归提供比AR1xAR1更为精细的模型，但可能适用。您可能需要与作者联系，以将其应用于您的确切问题。”
corStruct的nlme（用于各向异性相关）...如果您可以简要地陈述（用词或方程式）与这些ASREML语句相对应的统计模型，这将有所帮助，因为我们并不熟悉ASREML语法...
MCMCglmm，而且我很确定（除了在spatialCovariance所提到的，这我不熟悉）得到它在R来的唯一途径是通过定义新corStruct的S -这是可能的，但不是小事。
lme4。您能否（a）告诉我们您为什么需要这样做，lme4而不是asreml-R（b）考虑在r-sig-mixed-models具有更多相关专业知识的地方发帖？