performance性能分析库v0.14.0版本发布：增强模型诊断能力

项目简介

performance是R语言生态中一个专注于统计模型性能评估和诊断的扩展包，属于easystats工具集的一部分。它为数据分析师和研究人员提供了一套全面的工具，用于评估各种统计模型的拟合质量、检查模型假设以及识别潜在问题。该包特别适用于线性模型、广义线性模型和混合效应模型等常见统计模型的分析。

版本核心更新

1. 共线性诊断功能改进

在v0.14.0版本中，check_collinearity()函数进行了重要改进：

• 输出列名从"Increased SE"更改为更具描述性的"adj. VIF"（调整后的方差膨胀因子）
• 修正了因子变量水平数（自由度）在调整VIF计算中的处理方式，使结果更加准确

这一改进使得共线性诊断结果更加专业和可靠，特别是对于包含分类变量的模型分析。

2. 新增组别变异检查功能

版本引入了全新的check_group_variation()函数，用于评估组内和组间变异性。该函数设计用于：

• 分析多层次模型或混合效应模型中的组别结构
• 识别组内同质性和组间异质性模式
• 未来将逐步取代现有的check_heterogeneity_bias()函数

3. 模型可靠性评估工具

新增了两个专业函数来评估混合模型中随机效应的可靠性：

• performance_reliability()：提供组别水平估计值的可靠性指标
• performance_dvour()：专门用于评估离散度成分的可靠性

这些工具特别有助于评估多层次模型中随机效应的估计质量，为模型选择提供更多依据。

技术优化

1. 奇异性检查增强

check_singularity()函数进行了多项优化：

• 显著提高了计算效率，特别适合大型模型
• 新增对glmmTMB包中离散度成分随机效应的奇异性检查
• 通过check参数提供两种检查模式：
  • 完整模型奇异性检查
  • 按随机效应项分别检查

2. 伪R²计算修正

修复了伪R²计算中的一个重要问题：

• 原版本在计算基础模型（零模型）时使用了可能包含缺失值的原始数据
• 新版本改用模型框架数据，确保：
  • 正确的观测数量
  • 准确的对数似然计算
  • 可靠的伪R²结果

实际应用价值

本次更新为统计建模工作流带来了多项实用改进：

1. 更准确的诊断工具：修正后的共线性检查和伪R²计算提高了模型评估的准确性
2. 更全面的模型检查：新增的组别变异分析和奇异性检查增强了模型诊断能力
3. 更专业的可靠性评估：针对混合模型的新函数提供了更深入的随机效应质量评估

这些改进使得performance包在模型诊断和性能评估方面更加全面和可靠，特别适合需要进行复杂模型分析的研究人员和数据分析师使用。

升级建议

对于正在使用performance包的用户，建议尽快升级到v0.14.0版本以获取这些改进。特别是：

• 使用混合效应模型的用户将受益于新的可靠性评估函数
• 需要精确共线性诊断的分析应考虑重新运行check_collinearity()
• 伪R²计算的修正可能影响现有分析结果，建议复查相关指标

该版本保持了良好的向后兼容性，主要改进集中在功能增强和问题修复，升级风险较低。