This question问同样的问题，但尚未得到答复。我的问题涉及如何使用 lm() 函数指定模型，因此是一个编程(非统计)问题。
我有一个混合设计(2 个重复预测变量和 1 个独立预测变量)。参与者首先被分为 A 组或 B 组(这是独立预测变量)，然后他们评估自己对 4 个不同陈述的喜欢程度(这是两个重复预测变量)。 有许多很棒的在线资源如何对这些数据进行建模。然而，我的数据是异方差的。所以我喜欢使用异方差一致的协方差矩阵。 This paper解释得很好。 sandwich和 lmtest套餐很棒。 Here很好地解释了如何使用 lm(y ~ x) 在 R 中进行独立设计。
看来我已经用了lm了，不然不行吗？
这里是回归模型的代码，假设所有方差都相等(但事实并非如此，因为 Levene 的测试结果显着)。
fit3 <- nlme:::lme(DV ~ repeatedIV1*repeatedIV2*independentIV1, random = ~1|participants, df) ##works fine
这是校正异方差的独立模型的代码，它有效。
fit3 <- lm(DV ~ independentIV1)
library(sandwich)
vcovHC(fit3, type = 'HC4', sandwich = F)
library(lmtest)
coef(fit3, vcov. = vcovHC, type = 'HC4')
所以我的问题实际上是，如何用 lm 指定我的模型？ R 中的替代方法如何适应我的模型解释异方差性也受到欢迎!
非常感谢!!!
最佳答案
我的印象是，您的问题来自于混合不同方面的各种方法(重复测量/相关性与异方差性)，而这些方法不能那么容易混合。除了使用随机效应，您还可以考虑固定效应，或者不仅仅调整异方差性的推断，您可以考虑使用高斯模型并对均值和方差进行建模等。对我来说，很难说这里最好的路线是什么。因此，我只评论有关 sandwich 包的一些方面:
sandwich 包不仅限于 lm/glm，但原则上它是面向对象的，请参阅 vignette("sandwich-OOP", package = "sandwich") (也发布为 doi:10.18637/jss.v016.i09 。
对于各种封装/模型都有合适的方法，但没有
对于 nlme 或 lme4。原因是，通常的三明治技巧实际上对哪些混合效果模型有效并不那么明显。 (免责声明:但我不是混合效果建模方面的专家。)
但是，对于 lme4 有一个相对较新的软件包
称为 merDeriv ( https://CRAN.R-project.org/package=merDeriv )
提供 estfun 和 bread 方法，以便可以实现 sandwich 协方差
计算lmer输出等。还有一个相关的工作文件
与该包:https://arxiv.org/abs/1612.04911
关于R:具有异方差数据的混合模型 ->只有 lm 函数有效？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/48479984/