将混合模型（作为随机效应）与简单的线性模型（作为固定效应）进行比较

我正在完成对大量数据的一些分析。我想采用在工作的第一部分中使用的线性模型，并使用线性混合模型（LME）重新拟合它。除了将模型中使用的变量之一用作随机效应外，LME非常相似。该数据来自一小群受试者（约10个）中的许多观察值（> 1000），我知道，将受试者的效果建模为随机效果更好（这是我要转移的变量）。R代码如下所示：

my_modelB <- lm(formula = A ~ B + C + D)    
lme_model <- lme(fixed=A ~ B + C, random=~1|D, data=my_data, method='REML')

一切运行正常，结果极为相似。如果我可以使用RLRsim或AIC / BIC之类的东西来比较这两种模型并确定最合适的模型，那就太好了。我的同事们不想举报LME，因为尽管我认为LME是更合适的模型，但是没有一种容易获得的选择“更好”的方法。有什么建议么？

A ~ B + CD$H_0: \sigma^2 = 0$$\chi^2$$\chi^2$

library(lme4)
my_modelB <- lm(formula = A ~ B + C)
lme_model <- lmer(y ~ B + C + (1|D), data=my_data, REML=F)
lrt.observed <- as.numeric(2*(logLik(lme_model) - logLik(my_modelB)))
nsim <- 999
lrt.sim <- numeric(nsim)
for (i in 1:nsim) {
    y <- unlist(simulate(mymodlB))
    nullmod <- lm(y ~ B + C)
    altmod <- lmer(y ~ B + C + (1|D), data=my_data, REML=F)
    lrt.sim[i] <- as.numeric(2*(logLik(altmod) - logLik(nullmod)))
}
mean(lrt.sim > lrt.observed) #pvalue

自举的LRT的比例比观察到的LRT的p值更为极端。

$0$$H_0:variance = 0$$H_1: variance > 0$...

编辑

为了避免混淆：有时使用上述测试来确定随机效果是否显着...而不是确定是否应将其转换为固定效果。