如果有人能帮我解决这个问题，我会很高兴。我有重复测量设计的数据，其中我们测试了鸟类 ( time.dep) 感染前后的反应( exper)。我们还将FL（燃料负荷、瘦体重百分比）、脂肪评分和组（实验与对照）作为解释变量。我决定使用LME，因为残差分布不偏离正态。但是残差的同质性存在问题。“之前”和“之后”，并且还之间脂肪水平显著不同（Fligner-Killeen的试验中，基团的方差p=0.038和p=0.01分别地）。
ring group fat time.dep FL exper
1 XZ13125 E 4 0.36 16.295 before
2 XZ13125 E 3 0.32 12.547 after
3 XZ13126 E 3 0.28 7.721 before
4 XZ13127 C 3 0.32 9.157 before
5 XZ13127 C 3 0.40 -1.902 after
6 XZ13129 C 4 0.40 10.382 before
在我选择了模型的随机部分，即随机截距 ( ~1|ring) 之后，我为“fat”和“exper”( varComb(varIdent(form=~1|fat), varIdent(form=~1|exper))应用了权重参数。现在标准化残差与拟合的图看起来更好，但我仍然违反了这些变量的同质性（fligner 测试中的相同值）。我做错了什么？
一个常见的陷阱lme是默认值是给出原始残差，即未针对可能已使用的任何异方差性 ( weights) 或相关性 ( correlation) 子模型进行调整。来自?residuals.lme：
type : 一个可选的字符串，指定要使用的残差类型。如果“响应”，默认情况下，使用“原始”残差（观察到的 - 拟合）；否则，如果是“pearson”，则使用标准化残差（原始残差除以相应的标准误）；否则，如果'“归一化”'，则使用归一化残差（标准化残差预先乘以估计误差相关矩阵的平方根倒数因子）。使用参数的部分匹配，因此只需要提供第一个字符。
因此，如果您希望针对异方差性（包含在模型中）对残差进行校正，则需要type="pearson"；如果您希望对它们进行相关性校正，则需要type="normalized".