分析重复测量数据的两种方法

Prism 可以通过两种方式分析重复测量数据：

•重复测量方差分析

•拟合混合效应模型。即使存在部分缺失值，该分析仍能正常进行。当然，只有当缺失值是由于随机原因导致的，分析结果才具有意义。 例如，如果数据缺失是因为受试者病情严重，或者数值过高（或过低）而无法测量，那么这些分析结果将毫无帮助或意义。只有当处理组或时间点与数据缺失的原因之间不存在任何关联时，对包含缺失值的混合模型进行拟合才有意义。

总体而言，拟合混合效应模型是一种适用范围更广的方法。正如 Prism 8 中所实现的那样，当不存在缺失值时，这两种方法完全等价。但混合效应模型方法也能拟合包含缺失值的数据。

使用哪种方法进行分析

方差分析（ANOVA）对话框中的“重复测量”选项卡（单因素、双因素和三向数据均适用）提供三种选择：

•始终使用重复测量方差分析。若存在缺失值，将不会报告任何结果。这与 Prism 7 及更早版本的行为一致。Prism 尚不具备“智能”到能够移除某位受试者所有缺失数据的能力，但您可以手动排除所有缺失值并重新运行方差分析。

• 始终拟合混合效应模型。这将确保所有分析保持一致，无论是否存在缺失值。如果没有缺失值，关键结果将与重复测量方差分析相同，但结果的呈现格式对于习惯于重复测量方差分析的用户来说可能较为陌生。

•仅当存在缺失值且无法进行重复测量方差分析时，才报告混合效应模型的拟合结果。若无缺失值，则报告人们熟悉的重复测量方差分析结果。

当任一随机因素为零或负值时，如何拟合混合效应模型

重复测量或混合模型分析的核心在于：对同一受试者进行多次响应测量，或者当个体之间存在配对关系（如双胞胎或同窝幼崽）时，因此需要考虑同一受试者多次响应之间的相关性。混合模型分析通过估计受试者间方差来实现这一点。 在仅有一个变量重复的简单混合模型中，研究中的特定数据可能存在相关性为零甚至为负的情况（当然，方差不可能为负，但在混合效应模型中可能会出现这种情况）。当这种情况发生时，Prism 提供两种处理方式供您选择：

•按常规进行分析。若无缺失值，此结果将与重复测量方差分析（ANOVA）一致。

•从模型中移除受试者因子并重新拟合。此方法将增加一个自由度，从而略微提高功效。虽然这种方法更优，但意味着混合模型的结果可能与重复测量方差分析的结果不一致。

在复杂模型中，当存在多个重复测量变量时，可能的方差估计值会更多（通常是与受试者的交互作用），其中任何一项都可能为零或负值。最好将这些项剔除，因为保留它们可能会导致结果不稳定。

未来分析的默认设置

在“重复测量方差分析”选项卡底部勾选一个选项，即可将您的选择设为未来分析的默认设置。该默认设置将适用于单向方差分析、双向方差分析和三向方差分析。