回答:
デフォルトの分散共分散構造は非構造化です。つまり、レベルのベクトル変量効果の分散共分散行列に対する唯一の制約は、正定です。個別のランダム効果の用語を使用すると、（例えば）切片と傾きは無相関でランダム切片と傾きを持つモデル（必ずしも良いアイデア）を合わせてたいもしそうなら、あなたが式を使用することができ、しかし、独立したと考えられている、ですグループ化係数; の(1|g) + (0+x|g)g02番目の項では、切片を抑制します。カテゴリ変数の独立したパラメーター（再度、疑問の余地がある）を近似する場合は、手動で数値のダミー変数を作成する必要があります。入れ子のグループ化変数として因子を扱うことにより、（対称ではない共分散のみを使用して）複合対称分散共分散構造を構築できます。たとえばf、が因子の場合(1|g/f)、はのレベル間で等しい相関関係があると仮定しますf。
その他/より複雑な分散共分散構造の場合、（R）での選択は（1）を使用することですnlme（これには、pdMatrixより柔軟性を可能にするコンストラクターがあります）。（2）使用MCMCglmm（これは、非構造化、複合対称、異なる分散の同一性、または均一な分散の同一性を含むさまざまな構造を提供します）; （3）pedigreemm特別な構造化マトリックスを構築するような特別な目的のパッケージを使用します。flexLambdagithubにはブランチがあり、最終的にはこの方向でより多くの機能を提供したいと考えています。
これを例として示します。
共分散項は、固定効果と変量効果と同じ式で指定されます。共分散項は、式の記述方法によって指定されます。
例えば：
glmer(y ~ 1 + x1 + (1|g) + (0+x1|g), data=data, family="binomial")ここには、ランダムに変化できる2つの固定効果と、1つのグループ化係数がありgます。2つの変量効果は独自の項に分けられるため、それらの間に共分散項は含まれません。つまり、分散共分散行列の対角線のみが推定されます。2番目の項のゼロは、ランダムインターセプト項を追加したり、既存のランダムインターセプトをとともに変化させたりしないことを明示的に示していますx1。
2番目の例：
glmer(y ~ 1 + x1 + (1+x1|g), data=data, family="binomial")ここでは、x11 + x1 | gがすべて同じ項に含まれているため、切片効果と変量効果の間の共分散が指定されています。つまり、分散共分散構造の3つの可能なすべてのパラメーターが推定されます。
もう少し複雑な例：
glmer(y ~ 1 + x1 + x2 + (1+x1|g) + (0+x2|g), data=data, family="binomial")ここではx1、x2ランダム効果と他の2つそれぞれの間にゼロ相関が課されている間、切片効果とランダム効果を一緒に変化させることができます。ここでも、ランダム効果と共変するランダム切片を含めることを明示的に回避するためにのみ0、x2ランダム効果の項にa が含まれていx2ます。
xxMパッケージは、構造方程式のモデリングを可能にする優れたオプションですが、より複雑なオプションであることを指摘する価値があるかもしれません。 xxm.times.uh.edu