重复测量的定义
重复测量意味着数据是匹配的。下面是一些本示例：
•您对每个受试者的因变量进行多次测量，可能是在干预之前、期间和之后。
•招募受试者作为匹配组，根据年龄、种族和疾病严重程度等变异性进行匹配。
•多次进行实验室实验，每次都同时进行几种处理。由于您预计实验与实验之间会有变异性，因此您希望在分析数据时将每次实验都视为匹配组。 尽管您无意这样做，但由于外部因素（如某天比另一天更潮湿，或实验者无意中的练习效果），实验内部的反应可能比不同实验之间的反应更相似。
匹配不应基于所比较的变异性。如果您要比较三组人的血压，根据年龄或邮政编码匹配组是可以的，但根据血压匹配组是不可以的。
严格来说，重复测量一词只适用于对一个受试者反复进行治疗的情况（上述第一个示例）。另外两个本示例称为随机区组实验（每组受试者称为一个区组，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方法相同，Prism 总是使用重复测量一词。
通过哪些因素进行匹配？
如果数据是匹配的，请选择两个因素中哪个是重复测量，或者两个因素都是重复测量。如果一个因素是重复测量，另一个因素不是重复测量，这种分析也称为混合效应模型方差分析。
请慎重选择，因为如果您的选择与实验设计不符，结果可能会非常具有误导性。可选项有
不匹配。使用常规的双向方差分析（非重复测量）。
|
每列代表不同的重复，因此匹配值分布在一行中。
|
每一行代表不同的时间点，因此匹配值被堆叠到一个子列中。
|
两个因子的重复测量。
|
我们发现很多人都会想到 "重复测量"，但却没有花时间仔细说明哪个因子重复或两个因子都重复。如果您的选择与实际实验设计不符，结果很可能是错误的。
包含交互作用项？
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）或仅拟合主效应（列和行效应，无交互作用）方差分析模型。知道选择其中的哪一个选项依赖于实验内是否存在交互作用，严格来说，这是一个科学决策，必须基于对实验和数据的了解。
为了更好地理解交互作用的概念，请考虑以下假设的实验设计。您对一种实验药物对血压的影响很感兴趣，因此您招募了一组男性和女性，并准备了药物和安慰剂。为了进行这项实验，您将参与者分为以下几组：
1.接受安慰剂的女性
2.接受药物治疗的女性
3.接受安慰剂的男性
4.接受药物治疗的男性
在这个实验设计中，有两个 "主效应"，即治疗效应（安慰剂与药物）和性别效应（女性与 男性）。本示例显示，与服用安慰剂的人相比，服用药物的人血压较低（治疗的主效应）。您还可以预期女性的血压会比男性低（性别的主效应）。这些效应可以通过以下假设进行检验：
•对于治疗效果，您可以检验以下假设：接受安慰剂治疗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）。
•对于性别的影响，您将检验这样一个假设，即女性的血压与男性的血压相同（忽略这些人属于哪个治疗组）。
到目前为止，这描述的是一个 "主效应 "方差分析模型，不包括交互作用项。如果一个因素（治疗）的影响依赖于第二个因素（性别）的影响，则会在模型中加入交互作用项。在上述情况中，交互作用的本示例可能是治疗会增加 男性的血压（与服用安慰剂的男性相比），而治疗会降低女性的血压（与服用安慰剂的女性相比）。换句话说，治疗效果（第一主效应）依赖于个体的性别（第二主效应）。在这种情况下，您希望加入交互作用项，并选择 "完全模型"。
还要注意的是，如果一个或多个效应组合完全缺失值，则无法使用完整模型，Prism 将仅拟合一个主效应方差分析模型。以上面的本示例为例，如果没有得到 "接受安慰剂的男性"（或任何其他单个组别）的值，Prism 将只能 拟合一个只有主效应的方差分析模型。
假设球形性？
对于双向重复测量方差分析，请选择是否假设球形性。如果不假设球形性，Prism 会使用 Greenhouse-Geisser 修正并计算ε。
球形性假设指出，处理 A 和处理 B 之间差异的方差等于处理 A 和处理 C 之间差异的方差，处理 A 和处理 C 之间差异的方差等于处理 A 和处理 D 之间差异的方差，处理 A 和处理 D 之间差异的方差等于处理 B 和处理 D 之间差异的方差......（或者，当重复测量堆叠在子列中时，处理 1 和处理 2 之间差异的方差等于处理 1 和处理 3 之间差异的方差......）。与所有统计假设一样，这一假设涉及数据的抽样群体，而不仅仅是这些特定的数据集。
请注意，如果重复测量的因子只有两个水平，那么就没有理由担心球形违背。本示例中，如果每个受试者在治疗前后都进行了测量，并且有四种不同的治疗方法，那么就没有必要担心球形性，因为重复测量因子只有两个水平（治疗前和治疗后）。如果您要求在重复测量因子只有两个水平的情况下进行 Greenhouse-Geisser 修正，结果将与您未选择该选项时的结果相同，报告的ε值将为 1.0000000。
