混合效应模型中固定效应的推论

我已经关联了数据，并且正在使用逻辑回归混合效应模型来估计感兴趣的预测变量的个体水平（条件）效应。我知道对于标准边际模型，使用Wald检验推断模型参数对于似然比和得分检验是一致的。它们通常大致相同。因为Wald易于计算并且可以在R输出中使用，所以我用了99％的时间。

但是，对于混合效果模型，我很感兴趣，因为固定效果的Wald检验（在R的模型输出中报告）和“人工”似然比检验之间存在巨大差异，这涉及实际拟合简化模型。凭直觉，我可以理解为什么这会有很大的不同，因为在简化的模型中，随机效应的方差被重新估计，并且会极大地影响可能性。

有人可以解释

1. 对于固定效果，如何在R中计算Wald检验统计量？
2. 混合效应模型中估计模型参数的信息矩阵是什么？（和从中计算Wald测试统计信息的mx相同吗？）
3. 在我描述的案例中，两次测试的结果在解释上有什么区别？哪些通常是动机并在文献中用于推理？

W =（Lt-l）'[L（X'H-1 X）-1 L']给出了给定L，rxp和l，rx 1检验假设H0 Lt = l的传统Wald统计量。 -1（Lt-l）且渐近地，该统计量在r自由度上具有卡方分布。这些是边际测试，因此可以对模型固定部分中的所有其他术语进行调整。R是开源的

1. 你有资料吗？
2. 您的模型到底是什么？混合效果是一个相当广泛的类别，因为它在费舍尔信息矩阵中引起共鸣。
3. 您是说似然比和分数测试？