混合モデル（変量効果としての主題）と単純な線形モデル（固定効果としての主題）の比較

大量のデータの分析を終えています。作業の最初の部分で使用された線形モデルを取得し、線形混合モデル（LME）を使用して再適合させたいと思います。LMEは非常に似ていますが、モデルで使用される変数の1つが変量効果として使用される点が異なります。このデータは、少数の被験者（〜10）の多くの観測（> 1000）から得られ、被験者の効果のモデリングはランダム効果（これはシフトしたい変数です）として行う方がよいことを知っています。Rコードは次のようになります。

my_modelB <- lm(formula = A ~ B + C + D)    
lme_model <- lme(fixed=A ~ B + C, random=~1|D, data=my_data, method='REML')

すべてが正常に実行され、結果は非常に似ています。RLRsimやAIC / BICのようなものを使用して、これら2つのモデルを比較し、どちらが最も適切であるかを判断できれば、すばらしいと思います。LMEの方が適切なモデルだと思いますが、同僚が「より良い」ものを選択する簡単にアクセスできる方法がないため、LMEを報告したくありません。助言がありますか？

コメントとして投稿するには長すぎるため、@ ocramの回答にこれを追加します。ネストされたモデル設定でのレベルのランダム切片のA ~ B + C統計的有意性を評価できるように、私はあなたのヌルモデルとして扱いDます。ocramが指摘したように、場合、規則性の条件に違反し、尤度比検定統計（LRT）は必ずしも漸近的に分布したはありません。私が教えた解決策は、LRT（そのブートストラップ分布ははない可能性が高い）をパラメトリックにブートストラップし、次のようにブートストラップp値を計算することでした。$H_0: \sigma^2 = 0$$\chi^2$$\chi^2$

library(lme4)
my_modelB <- lm(formula = A ~ B + C)
lme_model <- lmer(y ~ B + C + (1|D), data=my_data, REML=F)
lrt.observed <- as.numeric(2*(logLik(lme_model) - logLik(my_modelB)))
nsim <- 999
lrt.sim <- numeric(nsim)
for (i in 1:nsim) {
    y <- unlist(simulate(mymodlB))
    nullmod <- lm(y ~ B + C)
    altmod <- lmer(y ~ B + C + (1|D), data=my_data, REML=F)
    lrt.sim[i] <- as.numeric(2*(logLik(altmod) - logLik(nullmod)))
}
mean(lrt.sim > lrt.observed) #pvalue

観測されたLRTがp値よりも極端なブートストラップLRTの割合。

lme関数を使用するときに、どのモデルが適合しているかは完全にはわかりません。（ランダム効果はゼロ平均の正規分布に従うと思われますか？）ただし、ランダム効果の分散がゼロの場合、線形モデルは混合モデルの特殊なケースです。いくつかの技術的な問題が存在しますが（は分散のパラメーター空間の境界にあるため）、 vs ... をテストすることは可能です。$0$$H_0:variance = 0$$H_1: variance > 0$

編集

混乱を避けるために：上記のテストは、変量効果が有意であるかどうかを決定するために使用されることがありますが、固定効果に変換する必要があるかどうかは決定しません。