混合模型方差分析(ANOVA)原理与应用指南

1. 混合模型方差分析（ANOVA）概述

混合模型方差分析（Mixed Model ANOVA）是心理学、医学、教育学和生物统计等领域常用的高级统计方法。它结合了重复测量设计和组间设计的优势，能够同时分析固定效应和随机效应。在实际研究中，当数据存在嵌套结构或重复测量时，传统ANOVA方法往往无法正确处理相关性问题，而混合模型则能很好地解决这一难题。

我曾在多个纵向研究项目中应用2×3混合设计ANOVA，发现它特别适合处理以下场景：实验组和对照组在不同时间点的测量比较、被试内和被试间因素的交互作用分析，以及存在缺失数据时的稳健估计。与普通ANOVA相比，混合模型不需要满足球形假设，对数据缺失也更宽容。

2. 混合模型ANOVA的核心设计要素

2.1 实验设计矩阵构建

以2×3混合设计为例，这表示包含：

• 1个被试间因素（2水平，如实验组/对照组）
• 1个被试内因素（3水平，如前测/中测/后测）

实际操作中，数据应整理为长格式(long format)，每行代表一个观测值，包含：

• 被试ID（随机效应）
• 组别变量（固定效应）
• 时间变量（固定效应）
• 因变量测量值

重要提示：务必检查数据平衡性。虽然混合模型能处理轻度不平衡数据，但严重不平衡会影响统计功效。我曾遇到一个案例，由于对照组脱落率过高，导致交互作用检验功效不足。

2.2 模型公式表达

在R语言的lme4包中，典型的模型公式如下：

r复制lmer(dv ~ group*time + (1|subject), data=mydata)

其中：

• group*time 表示组别与时间的交互作用（固定效应）
• (1|subject) 表示被试随机截距（随机效应）

对于更复杂的模型，如考虑随机斜率，可扩展为：

r复制lmer(dv ~ group*time + (time|subject), data=mydata)

3. 模型假设检验与结果解读

3.1 方差分析表解读

使用anova()函数得到的典型输出包含：

• 固定效应项的F值、自由度、p值
• 随机效应的方差分量估计

需要注意：

1. 小样本时建议使用Satterthwaite或Kenward-Roger自由度校正
2. 交互作用显著时，必