您为什么要从混合效应模型中进行预测，而又不包括随机效应呢？

这更多是一个概念性问题，但是在我使用时，R我将参考中的软件包R。如果目的是为了进行预测而拟合线性模型，然后在可能无法获得随机效应的情况下进行预测，那么使用混合效应模型有什么好处，还是应该使用固定效应模型？

例如，如果我有重量与高度数据以及其他一些信息，并且使用构建以下模型lme4，其中受试者是具有因子水平（Ñ = Ñ Ö 。小号一米p 升Ë $n$$n=no.samples$）：

mod1 <- lmer(weight ~ height + age + (1|subject), data=df, REML=F)

然后，我希望能够使用新的身高和年龄数据从模型中预测体重。显然，原始数据的个体差异是在模型中捕获的，但是可以在预测中使用此信息吗？假设我有一些新的身高和年龄数据，并且想要预测体重，我可以这样做：

predict(mod1,newdata=newdf) # newdf columns for height, age, subject

这将使用predict.merMod，并且我可以在newdf或set中为（新）主题添加一列re.form =~0。在第一种情况下，尚不清楚模型如何处理“新”主观因素，在第二种情况下，是否会简单地忽略（平均）模型中捕获的个体差异以进行预测？

无论哪种情况，在我看来固定效果线性模型都可能更合适。确实，如果我的理解是正确的，那么如果预测中未使用随机效应，则固定效应模型应预测与混合模型相同的值。应该是这样吗？在R它不是，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

产生不同的结果以：

mod2 <- lm(weight ~ height + age, data=df)

predict(mod2,newdata=newdf) # newdf columns for height, age

简单思考实验：您测量了5个婴儿出生后的体重和身高。两年后，您再次从同一个婴儿那里进行了测量。同时，您几乎每周都要测量一下女儿的体重和身高，从而为她找到100对价值。如果使用混合效果模型，则没有问题。如果您使用固定效果模型，则会对女儿的测量结果施加过多的权重，如果仅使用她的数据，您将获得几乎相同的模型拟合度。因此，正确推断重复测量或不确定性结构不仅重要，而且对于预测也很重要。通常，从混合效果模型和固定效果模型（带有违背的假设）中，您不会获得相同的预测。

我可以在newdf中为（新）主题添加一列

您无法预测不属于原始（培训）数据的主题。再次进行思想实验：新主题是肥胖。模型如何知道它在随机效应分布的高端？

在模型中捕获的副主题方差将仅被忽略（平均）以进行预测

如果我对您的理解正确，那么可以。该模型为您提供了总体预期值的估计值（请注意，该估计值仍以原始主题为条件）。