在 R 中计算混合效应基线类别（多项式对数）模型的（准）AIC

问：

我正在做一个离散选择实验，其中受访者会看到不同的患者档案，对于每个档案，受访者需要选择一种（三种）治疗方案。数据集的示例可在 https://github.com/trangtph/DCE_test/blob/main/dce_toy.csv 下载。

为了研究患者特征对治疗选择的影响，我正在运行一个混合效应基线类别模型，将受访者 ID 作为随机效应。我在包中使用函数。mblogitmclogit

完整型号为：

mtnom_full <- mblogit(choice ~ response*resist_prob + ambu_regimen*resist_prob + 
                      expo_his*resist_prob, random = ~ 1|id, data=dce_toy, 
                      method ="PQL", estimator = "ML")

模型输出：

我需要执行模型选择，以选择哪些交互效应保留在模型中（主要效应始终保留在模型中）。我想使用 AIC。然而，在它的手册中说，随机效应模型是使用基于拉普拉斯近似的惩罚准似然技术来估计的。我读到对于准似然模型，AIC 不适用，应该使用准 AIC。mclogit

我尝试使用以下代码计算 mblogit 模型的 QAIC，但它返回 NA：

MuMIn::QAIC(mtnom_full, chat= deviance(mtnom_full)/df.residual(mtnom_full))

警告：“聊天”为< 1，增加到 1 [1] NA

然而，使用传统的 AIC 仍然能给出输出

stats::AIC(mtnom_full)

[1] 531.3431

我的问题：

1. 该模型 + 嵌套模型的 AIC 值是否可靠地用于模型选择？
2. 如果应该改用 QAIC，如何计算 R 中模型的 QAIC？mblogit
3. 对于这个问题，还有其他的模型选择方法吗？ 多谢！