重复测量方差分析

重复测量方差分析（Repeated Measures ANOVA）是一种用于分析同一组受试者在不同条件下（例如时间点或实验组）多次测量数据的统计方法。与传统的方差分析（ANOVA）不同，重复测量方差分析考虑了数据的相关性，因为同一组受试者的数据之间通常存在内在的相关性。重复测量方差分析常用于医学、心理学、教育学等领域的纵向研究中，尤其适用于数据中包含多个时间点或不同条件下的观测值。

重复测量方差分析的基本模型与传统方差分析相似，但它需要考虑数据的相关性。基本模型可以表示为：

Y_ijk = μ + α_i + (αβ)_ij + ε_ijk

其中：

• Y_ijk：表示第i个时间点或条件下第j个个体的第k次测量值。
• μ：总体均值。
• α_i：第i个时间点或条件下的效应。
• (αβ)_ij：时间点和个体之间的交互效应。
• ε_ijk：误差项，表示每个观测值的随机误差。

重复测量方差分析与单因素方差分析和双因素方差分析一样，需要进行一些假设检验。

• 正态性假设：各组数据来自正态分布的总体。如果数据不满足正态性假设，可以尝试进行数据转换。
• 方差齐性假设：各组的方差应当相等（即方差齐性），否则会影响统计推断的准确性。
• 相关性假设：重复测量的数据通常是相关的，而不是独立的，这需要在分析中进行特别处理。

4.1 数据收集与设计

重复测量方差分析通常需要在相同的受试者上进行多次测量。例如，研究者可能在不同的时间点测量相同受试者的体重、血压等。受试者的多次测量被视为“重复测量”，而每个受试者在不同时间点的表现是彼此相关的。

4.2 方差分析表

重复测量方差分析的结果通常通过方差分析表来呈现，类似于单因素和双因素方差分析。方差分析表主要包括：

• 组间平方和（Between-group Sum of Squares）：描述时间点或条件效应的方差。
• 组内平方和（Within-group Sum of Squares）：描述个体之间变异的平方和，通常与个体内的误差相关。
• 误差平方和（Error Sum of Squares）：与重复测量的误差相关。

4.3 计算F统计量

F统计量用于检验因子效应是否显著。通过计算每个因素（如时间点）的均方和误差的均方，得到F值。具体计算公式为：

F = 因子效应的均方 / 误差效应的均方

如果F值较大且p值小于设定的显著性水平（通常为0.05），则拒绝零假设，认为该因子的效应显著。

5.1 主效应检验

如果F值显著，说明不同时间点或条件下的数据存在显著差异。例如，研究者可能会发现，随着时间的推移，血压显著变化。

5.2 交互效应检验

如果有多个因子（例如多个时间点和多个治疗组），交互效应的检验可以揭示不同因子之间的相互作用。如果交互效应显著，说明某一因子的效应取决于另一个因子的水平。

由于重复测量数据之间的相关性，传统的ANOVA方法假设数据之间是独立的，因此需要进行修正。常用的修正方法包括：

• 使用线性混合效应模型（Linear Mixed-Effects Model）：通过引入随机效应，来建模受试者之间的相关性。
• Greenhouse-Geisser校正：该方法对重复测量数据进行方差分析时，通过校正自由度来处理自变量的相关性，减少误差。
• Huynh-Feldt校正：与Greenhouse-Geisser校正类似，是另一种常用的修正方法，主要用于处理非球形（sphericity）数据。

重复测量方差分析广泛应用于许多研究领域，尤其是涉及时间序列数据或不同实验条件下的实验设计。典型的应用场景包括：

• 医学研究：研究患者在接受不同治疗方法前后，生理指标（如血压、血糖等）的变化。
• 心理学研究：测量被试在不同时间点下的心理状态或认知能力（如情绪变化、记忆能力等）。
• 教育学研究：评估学生在不同教育干预下的学习成绩变化。
• 社会学研究：研究个体或群体在不同时间点下的行为变化。

重复测量方差分析是一种用于分析时间序列数据或多条件下同一组个体数据的有效方法。它能够揭示不同因素或时间点对因变量的影响，同时考虑数据之间的相关性。在应用中，正确处理数据的相关性、方差齐性及正态性假设是非常重要的。如果不满足这些假设，可以考虑使用混合效应模型或进行适当的修正。