定义的重复测量

重复测量意味着数据匹配。此处给出了一些示例：

•针对每名受试者多次测量一个因变量，可在干预之前、期间和之后。

•您以匹配组方式招募受试者，匹配年龄、种族群和疾病严重程度等变量。

•您将多次运行一个实验室实验，每次并行处理多次治疗。由于您预期实验间存在变异性，您希望通过这种方式分析数据，即每个实验均被视为匹配的集合。  虽然并非出于您本意，但由于外界因素（如某一天比另一天的湿度更大或者实验员无意中的习惯影响）导致一项实验中的相互反应可能比不同实验中的反应更为相似。

匹配不应以您正在比较的变量为基础。如果您正在比较三组的血压，则可以根据年龄或邮政编码进行匹配，但不能根据血压进行匹配。

严格来说，“重复测量”一词仅当您对一名受试者进行重复处理时才适用（上文中第一项示例）。另外两个示例称为随机区组实验（每组受试者称为一个区组，且您在每个区组内随机分配治疗）。重复测量和随机区组实验的分析相同，Prism总是使用“重复测量”一词。

通过哪些因素进行匹配？

如果您的数据相匹配，则选择两个因素中的哪一个是重复测量，或者两个因素均为重复测量。如果一个因素是重复测量，另一个不是，则该分析又称“混合效应模型方差分析”。

请慎重做出选择，因为如果您做出的选择与实验设计不一致，则结果可能会具有极大的误导性。选择如下：

无匹配。使用常规的双因素方差分析（非重复测量）。

每列代表一个不同的重复，因此匹配的值分布在一行中。

每行代表一个不同的时间点，因此匹配的值会叠加在一个子列中。

两个因素的重复测量。

做出选择时应仔细考虑。我们发现，有太多人认为应选择“重复测量”，但并未花时间仔细说明哪个因素为重复测量，或两个因素是否均为重复测量。如果此处做出的选择与您实际的实验设计不符，则结果很可能不正确。

包括交互作用项？

选择拟合完整模型（包括列效应、行效应和列/行交互作用效应）或仅具有主要效应（列和行效应，无交互作用）的方差分析模型。知道选择这些选项中的哪一个取决于实验中是否存在交互作用效应，严格来说，这是一项科学决定，必须以对实验和数据的了解为基础。

为更好地了解交互作用的概念，请考虑以下假设的实验设计。您对实验性药物对血压的效应感兴趣，因此您招募了一组男性和女性参与者，并准备了药物和安慰剂。为进行该实验，您将参与者分为以下几组：

1.接受安慰剂的女性

2.接受药物的女性

3.接受安慰剂的男性

4.接受药物的男性

在该实验设计中，有两个“主要效应”，即治疗效应（安慰剂与药物）和性别效应（女性与男性）。例如，您可能预期与服用安慰剂的人相比，服用药物的人的血压更低（治疗的主要效应）。此外，您可能还预期女性的血压低于男性（性别的主要效应）。可使用以下假设来检验此类效应：

•对于治疗效应，您将检验以下假设：接受安慰剂的人的血压与接受治疗的人的血压相同（忽略这些人的性别差异）。

•对于性别效应，您将检验以下假设：女性的血压与男性的血压相同（忽略这些人所属的治疗组）。

到目前为止，本文件已描述“仅主要效应” 方差分析模型，且将不包括交互作用项。如果一项因素（治疗）的效应取决于第二项因素（性别）的效应，则将在模型中包括交互作用项。在上述场景中，交互作用效应的示例可能是治疗使男性血压增加（与服用安慰剂的男性相比），但却使女性血压降低（与服用安慰剂的女性相比）。换言之，治疗效应（第一个主要效应）取决于性别（第二个主要效应）。在此情况下，您将希望包括一个交互作用项，并选择“完整模型”。

另请注意，如果一个或多个效应组合完全是缺少值，则无法使用完整模型，Prism将拟合仅主要效应方差分析模型。通过使用上述示例，如果未获得“接受安慰剂的男性”（或任何其他个人组）的值，则Prism仅能够拟合仅主要效应方差分析模型。

假设球形？

采用双因素重复测量方差分析时，选择是否假定球形度。如果不假定球形性，Prism则会使用Greenhouse-Geisser修正，并计算ε。

球形性的假设表明，处理A与处理B之间的差异方差等于处理A与处理C之间的差异方差，即等于处理A与处理D之间的差异方差，还等于处理B与处理D之间的差异方差……  （或者，当在子列中叠加重复测量时，处理1与处理2之间的差异方差等于处理1与处理3之间的差异方差……）像所有的统计假设一样，该假设适用于抽样数据的群体，而不仅仅是这些特定的数据集。

注意，如果重复测量的因素只有两个层次，则不存在担心违背球形性的理由。例如，如果在处理前后对每名受试者进行测量，且有四种不同的处理方法，则无需担心球形性，因为重复测量因素只有两个层次（处理前和处理后）。如果只要求两个重复测量因素层次的Greenhouse-Geisser修正，结果将与您未选择该选项时的结果相同，且ε的报告值将为1.0000000。