关于predict.merMod函数参数

在

lme4

包的函数

predict.merMod

中，如果我们只有一个随机截距，

allow.new.levels=TRUE

、

re.form=NA

和

re.form=~0

之间有什么区别

re.form

：…如果

NA

或

~0

，则不包括随机效应

换句话说，这两种选择中的任何一种都会在总体水平上对所有观测值（或

newdata

中指定的预测值集）进行预测，将所有随机效应设置为零

allow.new.levels

：如果

newdata

中的新级别（或

NA

值）为 允许。如果

FALSE

（默认），则在

newdata

会引发错误；如果

TRUE

，则预测将使用 具有的数据的无条件（总体级别）值 以前未观察到的水平（或

NA

s）

---

换句话说，对于随机效应分组变量为

NA

的观测值/预测值集或用于拟合的原始数据集中未出现的水平，仅进行总体水平预测（假设

re.form

不是

NA

或

~0

）。（如果在具有多个分组变量的模型中，仅将分组变量的子集设置为

NA

/新值，则仅将与这些分组变量对应的随机效应设置为零[此细节仅在模型中存在多个随机效应项时相关]。）

我对我的答案进行了一些编辑，以回应您的编辑，但没有多大区别。如果你不明白我的答案，也许你可以澄清/集中你的问题？因此在我的例子中，我认为三个参数的设置是等效的，因为我只有一个随机截距，并且我在原始数据中没有投影水平。另外，当我设置re.form=NULL时，我发现交叉验证的性能比设置re.form=NA要好，但我的问题是，我的原始数据中没有未来预测的级别。这听起来是对的。当然，如果您能够访问特定于组的信息并使用它（即

re.form=NULL

），您将获得更好的性能……我想做的是从中获益。使用参数re.form=NULL用于交叉验证和定义固定年份的未来预测（我有光栅文件），例如：predict（graster.stack，GLMM，const=（data.frame（year=2011）））。你觉得这种方法怎么样？我认为如果预测是针对未来（未知）年的，那就太傻了。您应该对实际要预测的相同场景进行交叉验证，即

re.form=NA

。你也应该小心你的交叉验证，即考虑块交叉验证（见罗伯茨等）对时间、空间、层级或系统发育结构的数据的交叉验证策略。“生态，2016年12月1日，N/A/N/A。