Понимание дисперсии случайных эффектов в моделях lmer ()

У меня проблемы с пониманием вывода моей lmer()модели. Это простая модель исходной переменной (Поддержка) с различными перехватами состояний / случайными эффектами состояний:

mlm1 <- lmer(Support ~ (1 | State))

Результаты summary(mlm1):

Linear mixed model fit by REML 
Formula: Support ~ (1 | State) 
   AIC   BIC logLik deviance REMLdev
 12088 12107  -6041    12076   12082
Random effects:
 Groups   Name        Variance  Std.Dev.
 State    (Intercept) 0.0063695 0.079809
 Residual             1.1114756 1.054265
Number of obs: 4097, groups: State, 48

Fixed effects:
            Estimate Std. Error t value
(Intercept)  0.13218    0.02159   6.123

Я так понимаю, что дисперсия перехватов / случайных эффектов в разных состояниях равна 0.0063695. Но когда я извлекаю вектор этих состояний случайных эффектов и вычисляю дисперсию

var(ranef(mlm1)$State)

Результат: 0.001800869значительно меньше дисперсии, о которой сообщается summary().

Насколько я понимаю, указанную модель можно записать так:

$y_i = \alpha_0 + \alpha_s + \epsilon_i, \text{ for } i = \{1, 2, ..., 4097\}$

$\alpha_s \sim N(0, \sigma^2_\alpha), \text{ for } s = \{1, 2, ..., 48\}$

$\alpha_s$$\sigma^2_\alpha$lmer()

Это классический односторонний анова. Очень короткий ответ на ваш вопрос заключается в том, что компонент дисперсии состоит из двух терминов.

Таким образом, вычисленный вами термин является первым слагаемым в правой части (поскольку случайные эффекты имеют среднее значение ноль). Второе слагаемое зависит от того, используется ли REML для ML, и от суммы квадратов стандартных ошибок ваших случайных эффектов.