线性混合效应模型有哪些易于解释的拟合度优度？

我目前正在使用R软件包lme4。

我正在使用具有随机效果的线性混合效果模型：

library(lme4)
mod1 <- lmer(r1 ~ (1 | site), data = sample_set) #Only random effects
mod2 <- lmer(r1 ~ p1 + (1 | site), data = sample_set) #One fixed effect + 
            # random effects
mod3 <- lmer(r1 ~ p1 + p2 + (1 | site), data = sample_set) #Two fixed effects + 
            # random effects

为了比较模型，我正在使用该anova函数并查看AIC与最低AIC模型的差异：

anova(mod1, mod2, mod3)

上面是比较模型的好方法。

但是，我还需要一些简单的方法来解释每种模型的拟合度。有没有人有过此类措施的经验？我做了一些研究，关于混合效应模型的固定效应，有关于R平方的期刊论文：

• Cheng，J.，Edwards，LJ，Maldonado-Molina，MM，Komro，KA和Muller，KE（2010）。针对真实人员的真实纵向数据分析：建立足够好的混合模型。医学统计学，29（4），504-520。doi：10.1002 / sim.3775
• Edwards LJ，Muller，KE，Wolfinger，RD，Qaqish，BF和Schabenberger，O.（2008年）。线性混合模型中固定效应的R2统计量。医学统计学，27（29），6137-6157。doi：10.1002 / sim.3429

然而，似乎有人批评使用上述论文中提出的措施。

有人可以建议一些易于解释的，适合我模型的拟合度优度吗？

没有什么比线性混合模型容易解释拟合优度好了:)

随机效应拟合（mod1）可以通过ICC和ICC2（由随机效应引起的方差与残余方差之间的比值）来衡量。心理测量 R包包括一个将其提取为lme对象的功能。

可以使用它R2来评估固定效果（mod2，mod3），但这可能很棘手：当两个模型显示相似的R2时，可能会出现一个“更准确”但被其固定因子掩盖的情况“在随机效应中减去“较大的方差分量”。另一方面，很容易解释最高阶模型（例如mod3）的较大R2。在Baayen 关于混合模型的章节中，对此进行了很好的讨论。另外，它的教程非常清晰。

一个可能的解决方案是variance component独立考虑每个模型，然后使用它们来比较模型。