Statistics 使用mgcv和lmer进行随机效应建模。基本上完全相同，但可能性和DF非常不同。测试使用哪一个？

我知道随机效应和平滑曲线估计之间存在对偶性，Simon Wood介绍了如何使用mgcv指定随机效果。特别值得注意的是以下段落：

例如，如果g是一个因子，那么s（g，bs=“re”）为g的每个级别生成一个随机系数，其中radndom系数均建模为i.i.d.法线

在快速模拟之后，我可以看出这是正确的，并且模型拟合几乎相同。然而，可能性和自由度是非常不同的。有人能解释这两者的区别吗？哪一个应该用于测试

library(mgcv)
library(lme4)
set.seed(1)
x <- rnorm(1000) 
ID <- rep(1:200,each=5)
y <- x 
for(i in 1:200) y[which(ID==i)] <- y[which(ID==i)] + rnorm(1)
y <- y + rnorm(1000)
ID <- as.factor(ID)

# gam (mgcv)
m <- gam(y ~ x + s(ID,bs="re"))
gam.vcomp(m)
coef(m)[1:2]
logLik(m)

# lmer
m2 <- lmer(y ~ x + (1|ID))
sqrt(VarCorr(m2)$ID[1])
summary(m2)$coef[,1]
logLik(m2)

mean( abs( fitted(m)-fitted(m2) ) )

库（mgcv）
图书馆（lme4）
种子（1）
x