在从固定项开始之前，我试图在 GLMM 中选择最佳随机效应结构。为此，我包括所有固定效应及其相互作用（超出最佳模型），然后我尝试使用随机因素的不同组合。我正在使用公式 lmer()。使用 REML 估计模型。然后我得到每个模型的 AIC() 并比较它们。
但我也想知道没有随机效应的模型的 AIC。我读到了，然后我应该使用 gls()。但我也可以使用 glm()。而且同款gls的AIC，同款glm的AIC，差别很大。
这是在 GLMM 中选择最佳随机效应结构的最佳方法吗？我可以将使用 lmer() 获得的 AIC 值与使用 gls 或 glm 获得的其他 AIC 值进行比较吗？
谢谢和最好的问候！
我也一直在寻找一个很好的解决方案来测试 GLMM 的替代随机效应结构。这里有一些关于这个话题的精彩讨论。对挑战的最佳总体概述在这里总结得很好。但在大多数情况下，解决方案的分配似乎正在开发中，或者对于大多数审稿人、合著者和其他读者来说太遥远了，无法理解。问题在于，随着随机效应分量的复杂性增加，AIC 分数通常会降低，但这些模型可能仍然会过度拟合数据。我会倾向于根据实验设计、实用性和直觉来设置随机效应结构。
我通过将原始数据随机分成训练集和测试集，然后比较竞争模型的 AUC 分数，测试了 GLMM 的替代随机效应结构。我不确定这是否是完美的解决方案，但它似乎对我很有效。
不确定这是否可行，或者它是否是一个合适的解决方案。但是，在比较 AIC 分数时，带有嵌套随机效应的红色模型似乎是最好的。这里通过交叉验证我们可以看到单独的 PlotID（绿色）的单个随机效应与具有更复杂随机效应结构的竞争模型一样好。
在这里可以看到，具有一个随机截取 PlotID 的模型与模型一样好