R 如何使用线性混合模型开发的具有嵌套效应的模型预测值？

我有一个在R中使用5个变量开发的模型。选择线性混合建模方法开发具有嵌套效应的模型

我的模型开发R代码如下：

model1 <- lmer(Reduction.factor ~ (1|PAI:Open.wind) + 
     (1|PAI:Temp) + (1|PAI:Height)+ (1|PAI:Density)+ PAI  ,
    data = model)

我想通过使用5个参数的值来预测“折减系数”

---

所以我把p1放在这里，一开始它看起来不是很有意义。虽然您可以使用数值作为分组变量，但似乎您更希望使用具有交互作用的简单线性模型，即lmReduction.factor~PAI*1+Open.wind+Temp+Height+Density@当PAI不同时，BenBolker开放的4个参数：风、温度、高度、密度响应不同。PAI是总体植被参数的表示。当植被类型发生变化时，参数有不同的增加或减少速率。我尝试了线性建模、Gamm等，但都显示了70%的R2值，而嵌套方法给出了90%的R2。。这就是我使用它的原因。现在有意义了吗？由于我还不擅长统计学和R，如果我错了，请告诉我。PAI是连续变量吗？你是如何计算你的R^2值的？提高R^2并不是唯一的标准-通过为每个观察值包含一个参数，您可以将R^2提高到100%。根据您的描述，我上面给出的模型似乎是正确的，而您的模型规范看起来是错误的。通常，只有在实验设计中有组（例如实验块）时，才应使用混合模型。@BenBolker我认为PAI是一个连续变量。PAI通常在0~5之间。根据当地植被结构，0到5之间的任何数字都是可能的。R2是由R2计算出来的，我认为你的统计模型毫无意义。很抱歉投票迁移到CrossValidated。。。

Temp    Height  Density PAI Open wind
20.000  0.041   0.033   1.960   30.000
20.000  0.082   0.061   1.960   30.000
20.000  0.122   0.059   1.960   30.000
20.000  0.163   0.061   1.960   30.000
20.000  0.204   0.043   1.960   30.000
20.000  0.245   0.048   1.960   30.000
20.000  0.286   0.052   1.960   30.000
40.000  0.082   0.061   1.960   40.000
40.000  0.122   0.059   1.960   40.000
40.000  0.163   0.061   1.960   40.000
40.000  0.204   0.043   1.960   40.000
40.000  0.245   0.048   1.960   40.000
40.000  0.286   0.052   1.960   40.000