方法选择 · 2026-07-11

重复测量 ANOVA 还是混合效应模型？纵向数据方法选择指南

重复测量 ANOVA 与混合效应模型怎么选？本文按数据形态、缺失、时间间隔、球形假设和随机效应给出直接决策，并说明 ChatSRS 当前两条分析器的真实输出边界。

直接决策答案

如果每位受试者都在同样的少数几个时间点完成测量，数据较完整，你关心的是总体时间效应或时间×组别交互，并愿意检查球形假设，优先考虑重复测量 ANOVA。

如果数据是长表、每人观测次数不完全相同、时间间隔不规则，或者研究问题需要显式描述受试者间差异，考虑混合效应模型。但“考虑混合模型”不等于“混合模型永远更好”：估计目标、随机效应结构、缺失机制和样本量必须支持该模型。

一张表完成初筛

决策维度	重复测量 ANOVA	混合效应模型
常见数据形态	宽表，每个时间点一列	长表，每行一次观测
观测时间	固定、共同的时间点	可把时间作为固定效应变量
不完整随访	当前实现按所需列完整案例删除	当前实现按模型所需字段逐行删除，可保留同一人的其他完整行
个体相关	通过重复测量误差结构处理	当前实现为受试者随机截距
关键假设	三个及以上时间点关注球形性	固定效应、随机截距与残差规格合理
主要输出	时间/组别/交互 F、p、偏 η²、球形校正、两两比较	固定效应 b/SE/z/p、随机截距与残差方差、ICC、LL/AIC/BIC

不应按“哪个更容易显著”选方法。先根据研究设计和估计目标决定，再查看结果。

哪些情况不应硬套这两条现有路径

若结局是二元、计数或有序等级，当前线性混合模型并不是自然选择；若时间点很多且变化曲线明显非线性，把时间只当线性固定效应也可能过度简化。若同一受试者的不同结局同时建模、存在多层嵌套机构，或需要随机斜率与复杂残差协方差，则应先扩展模型规格。另一方面，样本极小、每人只有一次观测时，两种方法都缺少识别重复结构的基础。方法名称不能弥补设计信息不足。

ChatSRS 当前重复测量 ANOVA 的真实范围

repeated_measures_anova 分析器要求至少两个时间点变量，采用宽表输入。当前实现会：

删除任一所需时间点或组别字段缺失的受试者，形成完整案例；
输出各时间/条件的 M、SD、SE 与 N；
支持纯组内设计，以及加入一个组间变量的混合设计；
三个及以上时间点时执行 Mauchly 球形检验，并给出 Greenhouse–Geisser / Huynh–Feldt 信息；
输出时间、组别及时间×组别效应的 SS、df、MS、F、精确 p 和偏 η²；
提供 Bonferroni 两两比较；
R 环境可用时尝试生成轮廓图，否则会跳过并提示。

**边界：**完整案例删除可能改变样本构成；Mauchly 未显著不等于球形性被证明；两两比较属于后续比较，不能替代整体效应。当前路径面向离散时间点，不适合把高度不规则时间强行整理成等距条件。

ChatSRS 当前混合效应模型的真实范围

mixed_effects 分析器使用长表，要求因变量、受试者分组列和至少一个固定效应变量。当前实现用 statsmodels MixedLM 估计 REML 随机截距模型，直出：

固定效应 B、SE、z、精确 p 与星号；
LL、AIC、BIC、N、组数和 ICC；
随机截距方差、残差方差及其标准差。

**边界：**虽然混合模型概念上可扩展随机斜率和复杂协方差结构，但当前分析器实际只设置随机截距，没有随机斜率选项，也没有让用户选择 AR(1) 等残差相关结构。它会删除模型所需字段缺失的行；能保留某个受试者其他完整时间点，不等于自动解决 MNAR 缺失。

可复核输入示例

宽表重复测量 ANOVA：

数据每行一名学生，score_t1、score_t2、score_t3 是三个时间点，group 是组间因素。请做混合设计重复测量 ANOVA，报告描述统计、Mauchly 球形检验、必要时 GG 校正的时间效应、组别效应、时间×组别交互、偏 η²和 Bonferroni 两两比较，并报告完整案例 N。

长表混合效应模型：

数据每行一次测量，score 是因变量，student_id 是受试者列，time、group 和 time×group 是固定效应。请拟合 REML 随机截距模型，报告固定效应 B/SE/z/p、随机截距与残差方差、ICC、N 和组数；明确当前不含随机斜率。

若 time×group 没有预先构造或当前输入链不能表示交互项，不应声称模型自动生成了该项；需核对真实字段与公式。

输出结果与论文写法

重复测量 ANOVA 模板：

采用 [纯组内/混合设计] 重复测量 ANOVA 检验 [Y] 随时间的变化。
完整案例为 N = [ ]。Mauchly 球形检验 [结果]；因此报告
[球形假设/GG校正] 的时间效应，F([df1], [df2]) = [ ]，
p = [ ]，偏 η² = [ ]。时间×组别交互为 F([ ], [ ]) = [ ]，
p = [ ]，偏 η² = [ ]。Bonferroni 比较见表 [ ]。

混合效应模型模板：

采用 REML 随机截距线性混合模型分析 [Y]。受试者为
[student_id]，固定效应包括 [time/group/交互项]。
[核心固定效应] 的 B = [ ]，SE = [ ]，z = [ ]，p = [ ]。
随机截距方差为 [ ]，残差方差为 [ ]，ICC = [ ]，
N = [ ]，受试者数 = [ ]。当前模型未包含随机斜率。

二者的 F 与 B 不是可以互相替换的同一统计量。比较结论时应围绕同一个研究问题，而不是直接比较 p 值大小。

常见问题 FAQ

Q1：只要有缺失值就必须用混合模型吗？

不是。先判断缺失机制、比例和时间结构。混合模型可利用部分完整行，但仍会删除所需字段缺失行，也不自动处理非随机缺失。

Q2：只有两个时间点需要球形检验吗？

不需要。两个水平时球形假设自动满足，但仍要检查异常值、分布和配对结构。

Q3：混合模型一定要有随机斜率吗？

不一定，取决于理论与数据；但若研究需要个体时间斜率差异，当前仅随机截距的实现可能不足。

Q4：两种方法哪个更容易通过审稿？

没有通用答案。与设计、估计目标和数据结构一致、并透明披露假设与缺失处理的方法更可辩护。