在尝试研究如何进行混合模型分析并随后使用AIC选择最佳模型之后，我感到不知所措。我不认为我的数据那么复杂，但是我想确认自己所做的正确，然后就如何继续提供建议。我不确定我应该使用lme还是lmer，然后再使用这两个，如果我应该使用REML或ML。
我有一个选择值，我想知道哪个协变量最能影响该值并允许进行预测。这是一些组合的示例数据和我正在使用的测试代码：
ID=as.character(rep(1:5,3))
season=c("s","w","w","s","s","s","s","w","w","w","s","w","s","w","w")
time=c("n","d","d","n","d","d","n","n","n","n","n","n","d","d","d")
repro=as.character(rep(1:3,5))
risk=runif(15, min=0, max=1.1)
comp1=rnorm(15, mean = 0, sd = 1)
mydata=data.frame(ID, season, time, repro, risk, comp1)
c1.mod1<-lmer(comp1~1+(1|ID),REML=T,data=mydata)
c1.mod2<-lmer(comp1~risk+(1|ID),REML=T,data=mydata)
c1.mod3<-lmer(comp1~season+(1|ID),REML=T,data=mydata)
c1.mod4<-lmer(comp1~repro+(1|ID),REML=T,data=mydata)
c1.mod5<-lmer(comp1~time+(1|ID),REML=T,data=mydata)
c1.mod6<-lmer(comp1~season+repro+time+(1|ID),REML=T,data=mydata)
c1.mod7<-lmer(comp1~risk+season+season*time+(1|ID),REML=T,data=mydata)
我有〜19个模型，这些模型使用各种组合和最多2种交互作用项来探索此数据，但始终以ID为随机效应，而comp1为我的因变量。
- Q1。使用哪个？我还是我？有关系吗？
在这两种方法中，我都可以选择使用ML或REML-并且得到了截然不同的答案-使用ML再加上AIC，我最终得到了6个具有相似AIC值的模型，并且模型组合根本没有意义，而REML导致最有可能的两个模型是最好的。但是，在运行REML时，我无法再使用方差分析。
- Q2。与ANOVA一起使用，是在ML之上使用ML的主要原因是什么？我不清楚。
我仍然无法运行stepAIC，或者我不知道缩小19种模型的其他方法。
- Q3。目前有没有办法使用stepAIC？
3
对于第二季度，ML是必需的，因为当固定效果发生变化时，使用REML进行的比较无效。一个可能有用的相关问题在这里：stats.stackexchange.com/a/16015/3601
—
亚伦离开堆栈溢出，
@Aaron我以前看过这个问题，但仍然感到困惑。仅当随机效果发生变化时才使用REML吗？我显然对ML vs REML不够了解。不过，谢谢，这有助于解决我的问题之一！
—
凯瑞2012年
对，那是正确的。比较模型时，仅当模型具有相同的固定效果时才应使用REML。答案在下面展开。
—
亚伦（Aaron）