lmer输出方差分量的标准误差

我需要从

lmer

的输出中提取方差分量的

标准误差

library(lme4)
model <- lmer(Reaction ~ Days + (1|Subject), sleepstudy)

library(lme4)
fit <- lmer(y~(1|operator)+(1|part),data=dat)

R用于提取估算值的代码，在表12-17中用4注释：

est_ope=VarCorr(fit)$operator[1]
est_part = VarCorr(fit)$part[1]
sig = summary(fit)$sigma
est_res = sig^2

现在，我想从lmer输出中提取表12-17中5注释的
Std错误的结果

非常感谢
 我不太清楚你所说的“方差分量的标准误差”是什么意思。我的最佳猜测（基于您的代码）是您想要随机效果的标准错误。您可以使用arm软件包获得此信息：

library(arm)
se.ranef(model)
#$Subject
#    (Intercept)
#308    9.475668
#309    9.475668
#310    9.475668
#330    9.475668
#331    9.475668
#332    9.475668
#333    9.475668
#334    9.475668
#335    9.475668
#337    9.475668
#349    9.475668
#350    9.475668
#351    9.475668
#352    9.475668
#369    9.475668
#370    9.475668
#371    9.475668
#372    9.475668

这实际上是随机效应的条件方差协方差矩阵的平方根：

sqrt(attr(ranef(model, condVar = TRUE)$Subject, "postVar"))

我想你是在寻找方差估计的瓦尔德标准误差。请注意，这些（正如Doug Bates经常指出的）Wald标准误差通常非常差方差不确定性的估计，因为似然分布在方差标度上往往不是二次的。。。我假设你知道你在做什么，并且对这些数字有很好的用途

library("lme4")
model <- lmer(Reaction ~ Days + (1|Subject), sleepstudy, REML=FALSE)

库（“lme4”）
模型您可以发布此示例的数据吗？这也有助于了解标准误差的用途（正如我在下面指出的，方差估计的标准误差是不可靠的不确定性度量——配置文件间隔会更好），为什么希望标准误差用于非对称分布的参数。你应该重新思考你提出的问题。不要模仿SAS的错误。如果您想要进行hypo测试，则使用anove函数。如果需要CI，请使用配置文件或引导CI。lmer没有给出您要求的号码是有原因的。尽管Ben告诉了你如何得到它。不要让SAS或Stata报告的事实影响你们。你们能给我一个REML估算的参考吗。表中的结果是方差分量REML估计的标准误差。也许这就是我没有得到答案的原因。我已经正确地指定了模型，并且通过
VarCorr（model）
获得了方差分量的REML估计，该估计与表中的结果相匹配。如果您能告诉我如何计算
lmer的标准偏差的标准误差（Reaction~Days+（Days | | Subject），sleepstudy）
是否可以在lmer中计算REML估计值标准偏差的标准误差？如果我写
REML=TRUE
并以同样的方式进行，这不管用吗？我想可能不行。我可能会在。。。有几种方法可以做到这一点，但没有非常简单的解决方案。向随机效果选项（ranef）请求as.data.frame将转换为长格式condsd，并与条件标准偏差相对应
library("lme4")
model <- lmer(Reaction ~ Days + (1|Subject), sleepstudy, REML=FALSE)

 dd.ML <- lme4:::devfun2(model,useSc=TRUE,signames=FALSE)

 vv <- as.data.frame(VarCorr(model)) ## need ML estimates!
 pars <- vv[,"sdcor"]
 ## will need to be careful about order if using this for
 ## a random-slopes model ...

library("numDeriv")
hh1 <- hessian(dd.ML,pars)
vv2 <- 2*solve(hh1)  ## 2* converts from log-likelihood to deviance scale
sqrt(diag(vv2))  ## get standard errors

mn2=lmer(pun~ pre + (pre|pro), REML = TRUE, data = pro)
summary(mn2)
coe2=coef(mn2)
coe2

# Matriz de varianza-covarianza (covarianza)
as.data.frame(VarCorr(mn2))

# Extraer coeficientes fijos
fixef(mn2)

# Extraer desvios de a - alfa y b - beta
re=as.data.frame(ranef(mn2))