多元混合效应逻辑回归（Mixed Effects Logistic Regression）是什么：
混合效应逻辑回归是一种二分类模型，其输出是一组预测变量(自变量)的线性组合，但是样本不是简单地独立的，而是集群式分布，也即某个群体之间存在内部关联。
（Mixed effects logistic regression is used to model binary outcome variables, in which the log odds of the outcomes are modeled as a linear combination of the predictor variables when data are clustered or there are both fixed and random effects.）
举个例子：
A large HMO wants to know what patient and physician factors are most related to whether a patient’s lung cancer goes into remission after treatment as part of a larger study of treatment outcomes and quality of life in patients with lunger cancer.
一个医疗机构想要知道对于骨瘤是否最终治愈，医生和病人之间哪种属性是影响最大的。比如医生的属性：从业经验，学历等等。病人的属性有骨瘤大小，患病时间，性别等等。
我们现在就会有一组样本：
1 Bob 10 1 jav 3 2 0
0 Bob 10 1 hex 4 1 1
1 Bob 10 1 lancy 6 4 0
1 Jack 5 3 joogh 1 2 0
0 Jack 5 3 silla 4 1 1
0 Jack 5 3 grecy 6 4 0
1 Jack 5 2 lori 2 2 0
0 Bob 10 2 carl 5 1 1
1 Bob 10 2 sharun 6 4 0
我们现在有这组数据，我们现在要预测一个骨瘤病人能否治愈。
普通的多元线性逻辑回归会把每一组样本看成独立的，也就是样本之间是完全独立的，但是实际中我们可以看到，这些样本之间其实是聚集分布的，它们并不是完全独立。同为Bob医生的样本之间肯定存在某种关联，同为Jack医生的样本之间也肯定存在关联。多元混合效应逻辑回归就是加入一个随机效应(上面这个例子中就是doctor),弥补了普通线性回归视样本之间并不存在关联的不足。
混合效应线性回归更加贴近于真实的世界环境。UCLA有十分棒的教程，大家可以去读一读。
那么如何在R里面使用混合效应回归呢？我以混合效应逻辑为例。
读入数据：
对数据中的计数类型（比如年龄啊，从业经验啊等等）进行正规化。为什么需要正规化，请自行谷歌。
>datsc -< data
>datasc[pvar] <- lapply(datasc[pvar], scale) //正规化
引入我们的核心计算包lme4:
进行计算：
输出结果：