如何从我的线性混合效应模型中找到估计的衰减常数？
How do I find the estimated decay constants from my linear mixed effects model?
我想弄清楚如何找到我的线性混合效应模型的估计斜率，我正在查看 DNA/RNA 的对数转换副本随时间的衰减率。
我的lmer模型如下：
model1 <- lmer(log.copies ~ 0 + sample + hours + sample:hours +
(1 | uniqueID), data)
我正在尝试找到每个样本的斜率估计值（衰减率），但我不确定如何找到该信息。任何见解将不胜感激。
这是模型的数据框：
uniqueID <- c('4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c')
hours <- c('0', '0', '0', '0', '0', '0', '0', '0', '0', '1', '1', '1', '1', '1', '1', '1', '1', '1', '3', '3', '3', '3', '3', '3', '3', '3', '3', '5', '5', '5', '5', '5', '5', '5', '5', '5', '12', '12', '12', '12', '12', '12', '12', '12', '12', '24', '24', '24', '24', '24', '24', '24', '24', '24', '48', '48', '48', '48', '48', '48', '48', '48', '48', '96', '96', '96', '96', '96', '96', '96', '96', '96', '168', '168', '168', '168', '168', '168', '168', '168', '168', '336', '336', '336', '336', '336', '336', '336', '336', '336', '504', '504', '504', '504', '504', '504', '504', '504', '504', '720', '720', '720', '720', '720', '720', '720', '720', '720', '0', '0', '0', '0', '0', '0', '0', '0', '0', '1', '1', '1', '1', '1', '1', '1', '1', '1', '3', '3', '3', '3', '3', '3', '3', '3', '3', '5', '5', '5', '5', '5', '5', '5', '5', '5', '12', '12', '12', '12', '12', '12', '12', '12', '12', '24', '24', '24', '24', '24', '24', '24', '24', '24', '48', '48', '48', '48', '48', '48', '48', '48', '48', '96', '96', '96', '96', '96', '96', '96', '96', '96', '168', '168', '168', '168', '168', '168', '168', '168', '168', '336', '336', '336', '336', '336', '336', '336', '336', '336', '504', '504', '504', '504', '504', '504', '504', '504', '504', '720', '720', '720', '720', '720', '720', '720', '720', '720',)
log.copies <- c('1.45521893628741', '1.45521893628741', '1.45521893628741', '1.45521893628741', '1.45521893628741', '1.45521893628741', '1.45521893628741', '1.45521893628741', '1.45521893628741', '1.19441603388691', '1.24355334723342', '1.40690849045049', '1.31002191752687', '1.39124834261194', '1.29235753729037', '1.11936230018844', '1.1374556403934', '1.39758382302761', '1.68018850963636', '1.25191207562977', '1.23641746512146', '1.39679718172058', '1.38090501093842', '1.24605609103987', '1.21030026698775', '1.19544292124108', '1.17601950399624', '1.31273309142159', '1.26185528648986', '1.25966627646237', '1.31215362175609', '1.1797649397335', '1.06962991082736', '1.06648871526762', '1.01999877463483', '1.0713647526277', '1.33727512803554', '1.32714821681501', '1.36095600888816', '1.20806814685821', '1.01506836010089', '1.16512723872603', '1.26641479125218', '1.09785021474546', '1.13833983315088', '1.23033598728608', '1.40813602545636', '1.4646125625919', '1.00258079576351', '1.17601950399624', '1.06788775208508', '1.04454452321033', '1.05059619746453', '1.03045177956328', '1.37430638458471', '1.41452140821272', '1.75913091767113', '0.77346280655772', '0.767002923329097', '1.01188172732087', '0.74623404934399', '0.944256557003784', '1.05150543231433', '1.2251192503473', '1.29174874539612', '1.43997134954361', '-0.0296134397450946', '-0.286448979024821', '-0.156823792139869', '0.839166900510674', '0.724365376990744', '0.678610613822442', '0.786777342262311', '1.29478377172835', '1.37297391495997', '-0.82434417051388', '-0.82434417051388', '-0.496558364627612', '0.0829498390130417', '0.427489632415672', '0.158891649802325', '1.49438314328631', '0.729149969776687', '0.819893243439029', '-0.82434417051388', '-1.1900799975662', '-1.1900799975662', '-0.717704531413791', '-0.398265926539503', '-0.362000706739917', '-0.196897956423786', '0.64307632093276', '0.675913769256037', '-0.717704531413791', '-1.1900799975662', '-1.1900799975662', '0.0555326061931463', '-0.822304338094534', '-0.507174381784299', '0.180394322691316', '0.640136342503974', '0.393190666987189', '-1.1900799975662', '-0.967508136400586', '-0.967508136400586', '-0.823663106508838', '-0.967990407588446', '-0.967026427628234', '0.171315600631744', '0.171315600631744', '0.171315600631744', '0.171315600631744', '0.171315600631744', '0.171315600631744', '0.171315600631744', '0.171315600631744', '0.171315600631744', '-0.386292183084873', '-0.0999771866567739', '0.0867221503952878', '-0.525277163372224', '0.00383206432719449', '-0.0999771866567739', '-0.199592846032811', '0.047352829483974', '0.408978520878843', '-0.386292183084873', '-0.617450004710004', '-0.525277163372224', '-0.0714786306395753', '-0.163651471977355', '0.171315600631744', '0.067506349647776', '-0.0448200118538059', '0.047352829483974', '-0.617450004710004', '-0.617450004710004', '-0.525277163372224', '-0.331135008281905', '0.0261653532722218', '-0.0197780887736235', '-0.0448200118538059', '-0.163651471977355', '-0.0197780887736235', '-0.282482932100905', '-0.163651471977355', '-0.903765001138104', '-0.331135008281905', '-0.199592846032811', '-0.238962166944125', '-0.525277163372224', '-0.386292183084873', '-0.386292183084873', '-1.1900799975662', '-0.903765001138104', '-0.903765001138104', '-1.1900799975662', '-1.1900799975662', '-0.903765001138104', '-0.903765001138104', '-0.903765001138104', '-1.1900799975662', '-1.1900799975662', '-0.903765001138104', '-1.1900799975662', '-1.1900799975662', '-0.903765001138104', '-0.903765001138104', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-0.903765001138104', '-0.903765001138104', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-0.903765001138104', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-0.903765001138104', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-0.903765001138104', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-0.903765001138104', '-0.903765001138104', '-0.903765001138104', '-1.1900799975662', '-0.903765001138104', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-0.903765001138104', '-1.1900799975662')
sample <- c('4eDNA', '4eDNA', '4eDNA', '7eDNA', '7eDNA', '7eDNA', '10eDNA', '10eDNA', '10eDNA', '4eDNA', '4eDNA', '4eDNA', '7eDNA', '7eDNA', '7eDNA', '10eDNA', '10eDNA', '10eDNA', '4eDNA', '4eDNA', '4eDNA', '7eDNA', '7eDNA', '7eDNA', '10eDNA', '10eDNA', '10eDNA', '4eDNA', '4eDNA', '4eDNA', '7eDNA', '7eDNA', '7eDNA', '10eDNA', '10eDNA', '10eDNA', '4eDNA', '4eDNA', '4eDNA', '7eDNA', '7eDNA', '7eDNA', '10eDNA', '10eDNA', '10eDNA', '4eDNA', '4eDNA', '4eDNA', '7eDNA', '7eDNA', '7eDNA', '10eDNA', '10eDNA', '10eDNA', '4eDNA', '4eDNA', '4eDNA', '7eDNA', '7eDNA', '7eDNA', '10eDNA', '10eDNA', '10eDNA', '4eDNA', '4eDNA', '4eDNA', '7eDNA', '7eDNA', '7eDNA', '10eDNA', '10eDNA', '10eDNA', '4eDNA', '4eDNA', '4eDNA', '7eDNA', '7eDNA', '7eDNA', '10eDNA', '10eDNA', '10eDNA', '4eDNA', '4eDNA', '4eDNA', '7eDNA', '7eDNA', '7eDNA', '10eDNA', '10eDNA', '10eDNA', '4eDNA', '4eDNA', '4eDNA', '7eDNA', '7eDNA', '7eDNA', '10eDNA', '10eDNA', '10eDNA', '4eDNA', '4eDNA', '4eDNA', '7eDNA', '7eDNA', '7eDNA', '10eDNA', '10eDNA', '10eDNA', '4eRNA', '4eRNA', '4eRNA', '7eRNA', '7eRNA', '7eRNA', '10eRNA', '10eRNA', '10eRNA', '4eRNA', '4eRNA', '4eRNA', '7eRNA', '7eRNA', '7eRNA', '10eRNA', '10eRNA', '10eRNA', '4eRNA', '4eRNA', '4eRNA', '7eRNA', '7eRNA', '7eRNA', '10eRNA', '10eRNA', '10eRNA', '4eRNA', '4eRNA', '4eRNA', '7eRNA', '7eRNA', '7eRNA', '10eRNA', '10eRNA', '10eRNA', '4eRNA', '4eRNA', '4eRNA', '7eRNA', '7eRNA', '7eRNA', '10eRNA', '10eRNA', '10eRNA', '4eRNA', '4eRNA', '4eRNA', '7eRNA', '7eRNA', '7eRNA', '10eRNA', '10eRNA', '10eRNA', '4eRNA', '4eRNA', '4eRNA', '7eRNA', '7eRNA', '7eRNA', '10eRNA', '10eRNA', '10eRNA', '4eRNA', '4eRNA', '4eRNA', '7eRNA', '7eRNA', '7eRNA', '10eRNA', '10eRNA', '10eRNA', '4eRNA', '4eRNA', '4eRNA', '7eRNA', '7eRNA', '7eRNA', '10eRNA', '10eRNA', '10eRNA', '4eRNA', '4eRNA', '4eRNA', '7eRNA', '7eRNA', '7eRNA', '10eRNA', '10eRNA', '10eRNA', '4eRNA', '4eRNA', '4eRNA', '7eRNA', '7eRNA', '7eRNA', '10eRNA', '10eRNA', '10eRNA', '4eRNA', '4eRNA', '4eRNA', '7eRNA', '7eRNA', '7eRNA', '10eRNA', '10eRNA', '10eRNA')
我现在想找到的是每个“样本”的斜率，例如4eRNA 的 log.copies 对小时等的斜率
这是我正在寻找的示例（这些只是虚拟值）
稍稍清理数据后（转换为数字）：
d <- data.frame(log.copies, sample, hours, uniqueID)
library(lme4)
## use `0 + sample + sample:hours` to fit intercept & slope
## separately for each sample
model1 <- lmer(log.copies ~ 0 + sample + sample:hours + (1 | uniqueID), d)
## fixed-effect coefficient table
cc <- coef(summary(model1))
cc[grepl("hours", rownames(cc)),]
结果：
Estimate Std. Error t value
sample10eDNA:hours -0.003205399 0.0003059636 -10.476405
sample10eRNA:hours -0.001238915 0.0003059636 -4.049224
sample4eDNA:hours -0.001525579 0.0003059636 -4.986143
sample4eRNA:hours -0.001060511 0.0003059636 -3.466135
sample7eDNA:hours -0.003824935 0.0003059636 -12.501274
sample7eRNA:hours -0.001456568 0.0003059636 -4.760591
如果您在 lme4 之后加载 lmerTest 或代替 lme4，您的 table 将包括 df 和 Pr(>|t|) 列，如您的示例所示。
为了得到你正在寻找的具体table，我想你想要
emmeans::emtrends(model1, ~sample, var="hours")
sample hours.trend SE df lower.CL upper.CL
10eDNA -0.00321 0.000306 198 -0.00381 -0.002602
10eRNA -0.00124 0.000306 198 -0.00184 -0.000636
4eDNA -0.00153 0.000306 198 -0.00213 -0.000922
4eRNA -0.00106 0.000306 198 -0.00166 -0.000457
7eDNA -0.00382 0.000306 198 -0.00443 -0.003222
7eRNA -0.00146 0.000306 198 -0.00206 -0.000853
请注意，四舍五入前的估计值与之前的 table 相同，尽管 emmeans 更方便，因为它会为您计算 CI，您可以任意指定模型你想要的方式，例如作为 ~ sample*hours + (1|uniqueID)，并且仍然提取相同的 table。
我想弄清楚如何找到我的线性混合效应模型的估计斜率，我正在查看 DNA/RNA 的对数转换副本随时间的衰减率。 我的lmer模型如下：
model1 <- lmer(log.copies ~ 0 + sample + hours + sample:hours +
(1 | uniqueID), data)
我正在尝试找到每个样本的斜率估计值（衰减率），但我不确定如何找到该信息。任何见解将不胜感激。
这是模型的数据框：
uniqueID <- c('4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c', '4a', '4b', '4c', '7a', '7b', '7c', '10a', '10b', '10c')
hours <- c('0', '0', '0', '0', '0', '0', '0', '0', '0', '1', '1', '1', '1', '1', '1', '1', '1', '1', '3', '3', '3', '3', '3', '3', '3', '3', '3', '5', '5', '5', '5', '5', '5', '5', '5', '5', '12', '12', '12', '12', '12', '12', '12', '12', '12', '24', '24', '24', '24', '24', '24', '24', '24', '24', '48', '48', '48', '48', '48', '48', '48', '48', '48', '96', '96', '96', '96', '96', '96', '96', '96', '96', '168', '168', '168', '168', '168', '168', '168', '168', '168', '336', '336', '336', '336', '336', '336', '336', '336', '336', '504', '504', '504', '504', '504', '504', '504', '504', '504', '720', '720', '720', '720', '720', '720', '720', '720', '720', '0', '0', '0', '0', '0', '0', '0', '0', '0', '1', '1', '1', '1', '1', '1', '1', '1', '1', '3', '3', '3', '3', '3', '3', '3', '3', '3', '5', '5', '5', '5', '5', '5', '5', '5', '5', '12', '12', '12', '12', '12', '12', '12', '12', '12', '24', '24', '24', '24', '24', '24', '24', '24', '24', '48', '48', '48', '48', '48', '48', '48', '48', '48', '96', '96', '96', '96', '96', '96', '96', '96', '96', '168', '168', '168', '168', '168', '168', '168', '168', '168', '336', '336', '336', '336', '336', '336', '336', '336', '336', '504', '504', '504', '504', '504', '504', '504', '504', '504', '720', '720', '720', '720', '720', '720', '720', '720', '720',)
log.copies <- c('1.45521893628741', '1.45521893628741', '1.45521893628741', '1.45521893628741', '1.45521893628741', '1.45521893628741', '1.45521893628741', '1.45521893628741', '1.45521893628741', '1.19441603388691', '1.24355334723342', '1.40690849045049', '1.31002191752687', '1.39124834261194', '1.29235753729037', '1.11936230018844', '1.1374556403934', '1.39758382302761', '1.68018850963636', '1.25191207562977', '1.23641746512146', '1.39679718172058', '1.38090501093842', '1.24605609103987', '1.21030026698775', '1.19544292124108', '1.17601950399624', '1.31273309142159', '1.26185528648986', '1.25966627646237', '1.31215362175609', '1.1797649397335', '1.06962991082736', '1.06648871526762', '1.01999877463483', '1.0713647526277', '1.33727512803554', '1.32714821681501', '1.36095600888816', '1.20806814685821', '1.01506836010089', '1.16512723872603', '1.26641479125218', '1.09785021474546', '1.13833983315088', '1.23033598728608', '1.40813602545636', '1.4646125625919', '1.00258079576351', '1.17601950399624', '1.06788775208508', '1.04454452321033', '1.05059619746453', '1.03045177956328', '1.37430638458471', '1.41452140821272', '1.75913091767113', '0.77346280655772', '0.767002923329097', '1.01188172732087', '0.74623404934399', '0.944256557003784', '1.05150543231433', '1.2251192503473', '1.29174874539612', '1.43997134954361', '-0.0296134397450946', '-0.286448979024821', '-0.156823792139869', '0.839166900510674', '0.724365376990744', '0.678610613822442', '0.786777342262311', '1.29478377172835', '1.37297391495997', '-0.82434417051388', '-0.82434417051388', '-0.496558364627612', '0.0829498390130417', '0.427489632415672', '0.158891649802325', '1.49438314328631', '0.729149969776687', '0.819893243439029', '-0.82434417051388', '-1.1900799975662', '-1.1900799975662', '-0.717704531413791', '-0.398265926539503', '-0.362000706739917', '-0.196897956423786', '0.64307632093276', '0.675913769256037', '-0.717704531413791', '-1.1900799975662', '-1.1900799975662', '0.0555326061931463', '-0.822304338094534', '-0.507174381784299', '0.180394322691316', '0.640136342503974', '0.393190666987189', '-1.1900799975662', '-0.967508136400586', '-0.967508136400586', '-0.823663106508838', '-0.967990407588446', '-0.967026427628234', '0.171315600631744', '0.171315600631744', '0.171315600631744', '0.171315600631744', '0.171315600631744', '0.171315600631744', '0.171315600631744', '0.171315600631744', '0.171315600631744', '-0.386292183084873', '-0.0999771866567739', '0.0867221503952878', '-0.525277163372224', '0.00383206432719449', '-0.0999771866567739', '-0.199592846032811', '0.047352829483974', '0.408978520878843', '-0.386292183084873', '-0.617450004710004', '-0.525277163372224', '-0.0714786306395753', '-0.163651471977355', '0.171315600631744', '0.067506349647776', '-0.0448200118538059', '0.047352829483974', '-0.617450004710004', '-0.617450004710004', '-0.525277163372224', '-0.331135008281905', '0.0261653532722218', '-0.0197780887736235', '-0.0448200118538059', '-0.163651471977355', '-0.0197780887736235', '-0.282482932100905', '-0.163651471977355', '-0.903765001138104', '-0.331135008281905', '-0.199592846032811', '-0.238962166944125', '-0.525277163372224', '-0.386292183084873', '-0.386292183084873', '-1.1900799975662', '-0.903765001138104', '-0.903765001138104', '-1.1900799975662', '-1.1900799975662', '-0.903765001138104', '-0.903765001138104', '-0.903765001138104', '-1.1900799975662', '-1.1900799975662', '-0.903765001138104', '-1.1900799975662', '-1.1900799975662', '-0.903765001138104', '-0.903765001138104', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-0.903765001138104', '-0.903765001138104', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-0.903765001138104', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-0.903765001138104', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-0.903765001138104', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-0.903765001138104', '-0.903765001138104', '-0.903765001138104', '-1.1900799975662', '-0.903765001138104', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-1.1900799975662', '-0.903765001138104', '-1.1900799975662')
sample <- c('4eDNA', '4eDNA', '4eDNA', '7eDNA', '7eDNA', '7eDNA', '10eDNA', '10eDNA', '10eDNA', '4eDNA', '4eDNA', '4eDNA', '7eDNA', '7eDNA', '7eDNA', '10eDNA', '10eDNA', '10eDNA', '4eDNA', '4eDNA', '4eDNA', '7eDNA', '7eDNA', '7eDNA', '10eDNA', '10eDNA', '10eDNA', '4eDNA', '4eDNA', '4eDNA', '7eDNA', '7eDNA', '7eDNA', '10eDNA', '10eDNA', '10eDNA', '4eDNA', '4eDNA', '4eDNA', '7eDNA', '7eDNA', '7eDNA', '10eDNA', '10eDNA', '10eDNA', '4eDNA', '4eDNA', '4eDNA', '7eDNA', '7eDNA', '7eDNA', '10eDNA', '10eDNA', '10eDNA', '4eDNA', '4eDNA', '4eDNA', '7eDNA', '7eDNA', '7eDNA', '10eDNA', '10eDNA', '10eDNA', '4eDNA', '4eDNA', '4eDNA', '7eDNA', '7eDNA', '7eDNA', '10eDNA', '10eDNA', '10eDNA', '4eDNA', '4eDNA', '4eDNA', '7eDNA', '7eDNA', '7eDNA', '10eDNA', '10eDNA', '10eDNA', '4eDNA', '4eDNA', '4eDNA', '7eDNA', '7eDNA', '7eDNA', '10eDNA', '10eDNA', '10eDNA', '4eDNA', '4eDNA', '4eDNA', '7eDNA', '7eDNA', '7eDNA', '10eDNA', '10eDNA', '10eDNA', '4eDNA', '4eDNA', '4eDNA', '7eDNA', '7eDNA', '7eDNA', '10eDNA', '10eDNA', '10eDNA', '4eRNA', '4eRNA', '4eRNA', '7eRNA', '7eRNA', '7eRNA', '10eRNA', '10eRNA', '10eRNA', '4eRNA', '4eRNA', '4eRNA', '7eRNA', '7eRNA', '7eRNA', '10eRNA', '10eRNA', '10eRNA', '4eRNA', '4eRNA', '4eRNA', '7eRNA', '7eRNA', '7eRNA', '10eRNA', '10eRNA', '10eRNA', '4eRNA', '4eRNA', '4eRNA', '7eRNA', '7eRNA', '7eRNA', '10eRNA', '10eRNA', '10eRNA', '4eRNA', '4eRNA', '4eRNA', '7eRNA', '7eRNA', '7eRNA', '10eRNA', '10eRNA', '10eRNA', '4eRNA', '4eRNA', '4eRNA', '7eRNA', '7eRNA', '7eRNA', '10eRNA', '10eRNA', '10eRNA', '4eRNA', '4eRNA', '4eRNA', '7eRNA', '7eRNA', '7eRNA', '10eRNA', '10eRNA', '10eRNA', '4eRNA', '4eRNA', '4eRNA', '7eRNA', '7eRNA', '7eRNA', '10eRNA', '10eRNA', '10eRNA', '4eRNA', '4eRNA', '4eRNA', '7eRNA', '7eRNA', '7eRNA', '10eRNA', '10eRNA', '10eRNA', '4eRNA', '4eRNA', '4eRNA', '7eRNA', '7eRNA', '7eRNA', '10eRNA', '10eRNA', '10eRNA', '4eRNA', '4eRNA', '4eRNA', '7eRNA', '7eRNA', '7eRNA', '10eRNA', '10eRNA', '10eRNA', '4eRNA', '4eRNA', '4eRNA', '7eRNA', '7eRNA', '7eRNA', '10eRNA', '10eRNA', '10eRNA')
我现在想找到的是每个“样本”的斜率，例如4eRNA 的 log.copies 对小时等的斜率
这是我正在寻找的示例（这些只是虚拟值）
稍稍清理数据后（转换为数字）：
d <- data.frame(log.copies, sample, hours, uniqueID)
library(lme4)
## use `0 + sample + sample:hours` to fit intercept & slope
## separately for each sample
model1 <- lmer(log.copies ~ 0 + sample + sample:hours + (1 | uniqueID), d)
## fixed-effect coefficient table
cc <- coef(summary(model1))
cc[grepl("hours", rownames(cc)),]
结果：
Estimate Std. Error t value
sample10eDNA:hours -0.003205399 0.0003059636 -10.476405
sample10eRNA:hours -0.001238915 0.0003059636 -4.049224
sample4eDNA:hours -0.001525579 0.0003059636 -4.986143
sample4eRNA:hours -0.001060511 0.0003059636 -3.466135
sample7eDNA:hours -0.003824935 0.0003059636 -12.501274
sample7eRNA:hours -0.001456568 0.0003059636 -4.760591
如果您在 lme4 之后加载 lmerTest 或代替 lme4，您的 table 将包括 df 和 Pr(>|t|) 列，如您的示例所示。
为了得到你正在寻找的具体table，我想你想要
emmeans::emtrends(model1, ~sample, var="hours")
sample hours.trend SE df lower.CL upper.CL
10eDNA -0.00321 0.000306 198 -0.00381 -0.002602
10eRNA -0.00124 0.000306 198 -0.00184 -0.000636
4eDNA -0.00153 0.000306 198 -0.00213 -0.000922
4eRNA -0.00106 0.000306 198 -0.00166 -0.000457
7eDNA -0.00382 0.000306 198 -0.00443 -0.003222
7eRNA -0.00146 0.000306 198 -0.00206 -0.000853
请注意，四舍五入前的估计值与之前的 table 相同，尽管 emmeans 更方便，因为它会为您计算 CI，您可以任意指定模型你想要的方式，例如作为 ~ sample*hours + (1|uniqueID)，并且仍然提取相同的 table。