我很难理解 的色散模型和色散参数glmmTMB，并且在 github、vigniette 或 stackexchange/stackoverflow 上找不到答案。
我使用色散参数构建了一个 GLMM glmmTMB，以解释与我的一个预测变量相关的异方差性。
问题：
我在 github 或 stackexchange 上读到，分散模型不是为与 RE 一起使用而构建的。有人知道那是否仍然是最新的吗？我可以在具有随机效应的模型中包含变化的色散参数吗？我需要随机效应，因为我有重复的措施。
在我的模型中，我对（我的三个预测变量的）三向交互项感兴趣，并且想知道我是否仍然可以以正常方式解释条件模型。我通常用summary(model)来研究模型结构。我的分散模型非常重要，但我找不到任何关于如何解释和处理分散模型的解释。我发现了一条让我感到困惑的评论：“当条件模型和离散模型中存在相同的变量时，可以操纵均值-方差关系，但这可能会导致不收敛问题。” （来自 Brooks 等人的 R 期刊文章，2017 年）。?sigma.glmmTMB 表示“nbinom2：返回一个过度离散参数（通常表示为 theta 或 k）；与大多数其他系列相比，
dispformula
关于我的数据和模型的背景信息：
我正在为一项具有重复测量的随机对照试验拟合 GLMM。假定连续结果（精神病理学症状负荷的计数数据）受时间（3 个时间点：因子，3 个水平）、治疗组（因子，2 个水平）和某些事件的发生（因子，2 个水平）和他们的互动。我相应地安装了一个 glmer
glmer(outcome ~ time*group*event + (1| ID) , ... )：. 泊松分布非常分散，因此我转向了负二项式模型。不幸的是，残差图（使用DHARMa）揭示了一种模式，表明模型预测存在差异。根据标准化残差绘制预测时间显示异方差性。为了解释异方差，我开始构建 4 个不同的glmmTMB（因为我有 4 个结果）具有如下分散参数：
m1 <- glmmTMB(outcome1 ~ event * time * group + (1|code), dispformula = ~time , family = "nbinom2", data = data_long)