So sánh một mô hình hỗn hợp (chủ đề là hiệu ứng ngẫu nhiên) với một mô hình tuyến tính đơn giản (chủ đề là hiệu ứng cố định)

Tôi đang hoàn thiện một số phân tích trên một tập hợp dữ liệu lớn. Tôi muốn lấy mô hình tuyến tính được sử dụng trong phần đầu tiên của công việc và điều chỉnh lại nó bằng mô hình hỗn hợp tuyến tính (LME). LME sẽ rất giống với ngoại lệ rằng một trong các biến được sử dụng trong mô hình sẽ được sử dụng như một hiệu ứng ngẫu nhiên. Dữ liệu này xuất phát từ nhiều quan sát (> 1000) trong một nhóm nhỏ các đối tượng (~ 10) và tôi biết rằng việc mô hình hóa hiệu ứng của chủ thể được thực hiện tốt hơn như một hiệu ứng ngẫu nhiên (đây là một biến mà tôi muốn thay đổi). Mã R sẽ trông như sau:

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

Tất cả mọi thứ chạy tốt và kết quả là rất giống nhau. Sẽ thật tuyệt nếu tôi có thể sử dụng một cái gì đó như RLRsim hoặc AIC / BIC để so sánh hai mô hình này và quyết định cái nào là phù hợp nhất. Các đồng nghiệp của tôi không muốn báo cáo LME vì không có cách nào dễ dàng tiếp cận để chọn "tốt hơn", mặc dù tôi nghĩ LME là mô hình phù hợp hơn. Bất kỳ đề xuất?

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

Tỷ lệ các LRT khởi động cực đoan hơn mà LRT quan sát được là giá trị p.

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

BIÊN TẬP

Để tránh nhầm lẫn: Thử nghiệm được đề cập ở trên đôi khi được sử dụng để quyết định xem hiệu ứng ngẫu nhiên có đáng kể hay không ... nhưng không quyết định có nên chuyển đổi thành hiệu ứng cố định hay không.