„fit by REML“ steht in jeder lmer-Ausgabe, wann du für den Modellvergleich ML brauchst
In jeder Ausgabe von lmer() steht oben „Linear mixed model fit by REML“. Diese Zeile entscheidet darüber, ob ein Vergleich zweier Modelle gültig ist. Wer gerade sein erstes Mehrebenenmodell in R gerechnet hat, liest meist darüber hinweg und vergleicht dann Modelle, deren Likelihoods gar nicht vergleichbar sind.
Was REML und ML schätzen
Beide Verfahren schätzen dieselben Größen, also die festen Effekte und die Varianzen der zufälligen Effekte. Sie unterscheiden sich darin, wie sie mit den festen Effekten umgehen. Maximum Likelihood (ML) schätzt alles gleichzeitig und behandelt die festen Effekte dabei so, als wären sie bekannt. Die Varianzen fallen dadurch tendenziell etwas zu klein aus, besonders bei wenigen Gruppen.
Restricted Maximum Likelihood (REML) rechnet die festen Effekte vorher heraus und schätzt die Varianzen auf dem, was übrig bleibt. Diese Schätzungen sind weniger verzerrt. Der Preis dafür ist, dass das REML-Kriterium von der Wahl der festen Effekte abhängt. Zwei REML-Modelle mit unterschiedlichen Prädiktoren lassen sich deshalb nicht sinnvoll über ihre Likelihood gegeneinander testen.
In lme4 ist REML die Voreinstellung. Der Aufruf lmer(y ~ zeit + (1 | person), data = d) entspricht also einem Aufruf mit REML = TRUE. Ein ML-Modell bekommst du mit REML = FALSE. Wer bisher nur mit lm() gearbeitet hat, findet die Grundlogik der Ausgabe im Artikel zu summary(lm()).
Wann nutze ich ML und wann REML?
Für den Vergleich fester Effekte brauchst du ML, für den Vergleich zufälliger Effekte bei gleichen festen Effekten reicht REML. Das Endmodell berichtest du in der Regel mit den REML-Schätzungen. Die Tabelle 1 zeigt die drei Fälle:
Fall | Was sich unterscheidet | Schätzung für den Vergleich | In lme4 |
Prädiktor hinzufügen oder entfernen | feste Effekte | ML | anova(m0, m1) passt REML-Modelle automatisch mit ML neu an |
Zufällige Steigung prüfen | nur zufällige Effekte | REML | anova(m1, m2, refit = FALSE) |
Endmodell berichten | kein Vergleich | REML | Voreinstellung von lmer() |
Die Voreinstellung refit = TRUE in anova() ist bewusst so gewählt. Laut der lme4-Hilfe soll sie den häufigen Fehler verhindern, REML-Modelle mit unterschiedlichen festen Effekten zu vergleichen. Wer zwei Modelle mit anova() vergleicht, bekommt also auch ohne eigenes Zutun einen ML-Vergleich. In der Konsole erscheint dann der Hinweis „refitting model(s) with ML (instead of REML)“.
Beim Vergleich zufälliger Effekte gibt es eine Besonderheit. Wird eine Varianz gegen null getestet, liegt dieser Wert am Rand des erlaubten Bereichs. Der Likelihood-Quotienten-Test fällt dann eher konservativ aus, der p-Wert also eher zu groß.
So könnte ein Vergleich mit erfundenen Werten aussehen. In einer Tagebuchstudie mit 60 Personen und je 14 Messungen soll geprüft werden, ob die Bedingung zusätzlich zur Zeit etwas erklärt. Die beiden Modelle unterscheiden sich in einem festen Effekt, verglichen wird deshalb mit ML:
Das Modell mit Bedingung passte besser zu den Daten als das Modell ohne Bedingung, χ²(1) = 6.84, p = .009.
Vor diesem Satz liegt eine Entscheidung, die dir keine Voreinstellung abnimmt. Welche zufälligen Effekte in das Modell gehören, hängt von deinem Design ab, also von Messwiederholung, Gruppenstruktur und der Frage, ob Effekte zwischen Personen schwanken dürfen. Ist diese Struktur falsch gewählt, hilft auch der saubere ML-Vergleich wenig.
Welche zufälligen Effekte dein Design braucht, klären wir mit dir bei einer Auswertung deines Mehrebenenmodells in R oder im 1:1-Coaching.
Drei typische Fehler beim Modellvergleich
AIC zweier REML-Modelle vergleichen. Unterscheiden sich die Modelle in festen Effekten, sind ihre REML-Kriterien nicht vergleichbar. Das gilt auch für AIC und BIC, die auf diesem Kriterium beruhen. anova() rechnet die Werte nach der Neuanpassung mit ML aus, eine selbst gebaute Tabelle aus zwei summary()-Ausgaben dagegen nicht.
refit = FALSE bei unterschiedlichen festen Effekten setzen. Das Argument ist für den Vergleich zufälliger Effekte gedacht. Bei unterschiedlichen Prädiktoren schaltet es genau den Schutz ab, den die Voreinstellung bietet.
Die ML-Schätzungen als Endmodell berichten. Nach dem Vergleich gehören die REML-Schätzungen in den Ergebnisteil, weil die Varianzen dort weniger verzerrt sind. Wer das Endmodell mit ML berichtet, sollte das im Methodenteil begründen.
Meldet lmer() eine Warnung zur Konvergenz oder ein singuläres Modell, steckt dahinter oft eine zu komplexe Struktur der zufälligen Effekte. Allgemeine Hinweise zum Lesen solcher Meldungen findest du im Artikel zu Fehlermeldungen in R.
lme4 2.1 und die Angabe im Methodenteil
Am 23.10.2026 ist lme4 in Version 2.1-0 auf CRAN erschienen. In der aktuellen Hilfe stehen weiterhin REML = TRUE als Voreinstellung von lmer() und refit = TRUE als Voreinstellung von anova(). Die Versionsnummer gehört trotzdem in den Methodenteil, weil sich Ausgaben und Optimierer zwischen Versionen ändern können. Wie du R und Pakete angibst, zeigt der Artikel Software zitieren nach APA 7.
Ein erfundener Beispielsatz für den Methodenteil lautet: „Die Modelle wurden mit lme4 (Version 2.1-0) in R geschätzt. Modelle mit unterschiedlichen festen Effekten wurden mit Likelihood-Quotienten-Tests auf Basis von ML verglichen, das Endmodell wurde mit REML geschätzt.“ Warum ein solcher Test hier einen Freiheitsgrad hat, erklärt der Artikel zu Freiheitsgraden.
Noch offene Fragen zu REML und ML
Muss ich REML = FALSE selbst setzen, bevor ich anova() aufrufe?
Für den Vergleich mit anova() nicht, weil die Funktion REML-Modelle mit der Voreinstellung refit = TRUE neu mit ML anpasst. Selbst setzen musst du es, wenn du AIC oder BIC aus einzelnen Modellen vergleichst. Viele setzen es trotzdem ausdrücklich, damit der Code für Betreuende nachvollziehbar bleibt.
Welche Werte berichte ich vom Modellvergleich?
Üblich sind Chi-Quadrat-Wert, Freiheitsgrade und p-Wert des Likelihood-Quotienten-Tests, oft ergänzt um AIC oder BIC beider Modelle. Für das Endmodell folgen die festen Effekte mit Konfidenzintervallen und die Varianzen der zufälligen Effekte. Was genau verlangt wird, hängt von Hochschule und Betreuung ab.
Gilt das auch für glmer()?
Nein, für verallgemeinerte Modelle wie die logistische Mehrebenenregression bietet lme4 kein REML an. glmer() schätzt mit ML, der Vergleich mit anova() braucht deshalb keine Neuanpassung.
Mit welchem Aufwand muss ich rechnen, wenn ihr mein Modell prüft?
Das hängt davon ab, wie viele Modelle du vergleichst und ob die Struktur der zufälligen Effekte schon steht. Eine Einordnung mit Beispielen findest du im Artikel Was kostet eine statistische Auswertung.
Ich bin neu in R, wo fange ich an?
Bevor du Mehrebenenmodelle rechnest, sollten Datenimport und Arbeitsverzeichnis sitzen. Der Artikel Einführung in RStudio zeigt die Grundlagen. Danach ist der Schritt zu lmer() kleiner, als er zunächst wirkt.
Wenn der Modellvergleich steht, die Betreuung aber nach den zufälligen Effekten fragt Dann lohnt ein zweiter Blick auf die Struktur, bevor du weiterschreibst. Du kannst die Auswertung in R an uns abgeben oder im Statistik-Coaching selbst weiterrechnen, während wir dein Vorgehen mit dir prüfen.


