多⽔平统计分析模型（混合效应模型）⼀、概述普通的线性回归只包含两项影响因素，即固定效应（fixed-effect）和噪声（noise）。
噪声是我们模型中没有考虑的随机因素。
⽽固定效应是那些可预测因素，⽽且能完整的划分总体。
例如模型中的性别变量，我们清楚只有两种性别，⽽且理解这种变量的变化对结果的影响。
那么为什么需要 Mixed-effect Model？因为有些现实的复杂数据是普通线性回归是处理不了的。
例如我们对⼀些⼈群进⾏重复测量，此时存在两种随机因素会影响模型，⼀种是对某个⼈重复测试⽽形成的随机噪声，另⼀种是因为⼈和⼈不同⽽形成的随机效应（random effect）。
如果将⼀个⼈的测量数据看作⼀个组，随机因素就包括了组内随机因素（noise）和组间随机因素（random effect）。
这种嵌套的随机因素结构违反了普通线性回归的假设条件。
你可能会把⼈员（组间的随机效应）看作是⼀种分类变量放到普通线性回归模型中，但这样作是得不偿失的。
有可能这个factor的level很多，可能会⽤去很多⾃由度。
更重要的是，这样作没什么意义。
因为⼈员ID和性别不⼀样，我们不清楚它的意义，⽽且它也不能完整的划分总体。
也就是说样本数据中的路⼈甲，路⼈⼄不能完全代表总体的⼈员ID。
因为它是随机的，我们并不关⼼它的作⽤，只是因为它会影响到模型，所以不得不考虑它。
因此对于随机效应我们只估计其⽅差，不估计其回归系数。
混合模型中包括了固定效应和随机效应，⽽随机效应有两种⽅式来影响模型，⼀种是对截距影响，⼀种是对某个固定效应的斜率影响。
前者称为 Random intercept model，后者称为Random Intercept and Slope Model。
Random intercept model的函数结构如下Yij = a0 + a1*Xij + bi + eija0: 固定截距a1: 固定斜率b: 随机效应（只影响截距）X: 固定效应e: 噪声混合线性模型有时⼜称为多⽔平线性模型或层次结构线性模型由两个部分来决定，固定效应部分+随机效应部分，⼆、R语⾔中的线性混合模型可⽤包1、nlme包这是⼀个⽐较成熟的R包，是R语⾔安装时默认的包，它除了可以分析分层的线性混合模型，也可以处理⾮线性模型。
