当你有这样的疑问，你应该检查包的小插曲，在这种情况下vignette(lme4).只有与表面搜索，我发现这个表，也许是用途：
| 方法|说明|
| --------------|--------------|
| anova|固定效应贡献的分解或模型比较。|
| as.function|函数返回分析的偏差或REML标准。|
| coef|每个水平的随机效应和固定效应之和。|
| confint|线性混合模型参数的置信区间。|
| deviance|减去最大对数似然的两倍（使用REMLcrit作为REML标准）。|
| df.residual|剩余自由度。|
| drop1|从模型中删除允许的单个项。|
| extractAIC|广义Akaike信息准则|
| fitted|给定条件模式的拟合值。|
| fixef|固定效应系数的估计|
| formula|拟合模型的混合模型公式。|
| logLik|最大对数似然|
| model.frame|拟合模型所需的数据。|
| model.matrix|固定效应模型矩阵|
| ngrps|每个分组因子中的水平数。|
| nobs|观察次数。|
| plot|混合模型拟合的诊断图。|
| predict|各种类型的预测值。|
| print|混合模型对象的基本打印输出。|
| profile|各种模型参数的特征似然性。|
| ranef|随机效应的条件模式。|
| refit|（重新）拟合到响应变量的一组新观测值的模型。|
| refitML|用最大似然法拟合的模型。|
| residuals|各种类型的残值。|
| sigma|残差标准差。|
| simulate|来自拟合混合模型的模拟数据。|
| summary|混合模型的总结。|
| terms|混合模型的项表示。|
| update|使用修订公式或其他参数的更新模型。|
| VarCorr|估计的随机效应方差、标准差和相关性。|
| vcov|固定效应估计值的协方差矩阵。|
| weights|模型拟合中使用的先验权重。|

以下是绘制残差与时间因子的一种方法：

library(broom.mixed)
aa <- augment(model)
boxplot(.resid ~ Time, data = aa)

你也可以使用内置的plot方法（参见help("plot.merMod")）：

plot(model, resid(.) ~ Time)

是的，您可以像使用任何其他lm或glm对象一样使用summary()函数来评估实际模型。
类似地，你可以像对待数据框一样对待这些对象。
唯一的区别是不使用$，而应该使用@符号。
例如：

lm <- lmer(Petal.Length ~ Sepal.Length * Sepal.Width + (1|Species), data = iris)

lm@frame %>% head()

 Petal.Length Sepal.Length Sepal.Width Species
1          1.4          5.1         3.5  setosa
2          1.4          4.9         3.0  setosa
3          1.3          4.7         3.2  setosa
4          1.5          4.6         3.1  setosa
5          1.4          5.0         3.6  setosa
6          1.7          5.4         3.9  setosa

你可以从这一点探索更深的对象。