R？中的非参数重复测量多方方差分析

以下问题是一段时间以来对我而言最神圣的问题之一，我希望有人能够提供很好的建议。

我希望使用R执行非参数重复测量多方方差分析。

我已经在网上进行了一段时间的搜索和阅读，到目前为止，仅能找到以下几种情况的解决方案：Friedman测试单向非参数重复测量方差分析，有序回归与{car} Anova函数用于多路非参数方差分析等。部分解决方案不是我在此问题线程中寻找的。我在一段时间前发布的一篇文章中总结了到目前为止的发现（标题为：重复测量R的方差分析（函数和教程），以防万一。

如果我在网上阅读的内容是正确的，则可以使用混合序数回归模型（又称比例赔率模型）来完成此任务。

我发现了两个看似相关的软件包，但找不到关于该主题的任何插图：

• http://cran.r-project.org/web/packages/repolr/
• http://cran.r-project.org/web/packages/ordinal/

因此，对于这个主题来说，我是新手，我希望这里的人们能提供一些指导。

是否有关于该主题的任何教程/建议阅读的内容？甚至更好的是，有人可以建议一个简单的示例代码来说明如何在R中运行和分析此代码（例如：“非参数重复测量多方方差分析”）吗？

该EZ包，里面的我是作者本人观点，（）称为ezPerm一个函数计算置换试验，但可能没有做正确的相互作用（文档也承认这一点）。最新版本具有称为ezBoot（）的功能，该功能可让您进行引导重采样，并考虑到重复的测量（通过对对象进行重采样，然后在对象内进行重采样），或者使用传统的单元均值作为预测统计量，或者使用混合效果建模进行预测设计中的每个单元。我仍然不确定混合效果模型预测中的自举配置项有多“非参数”。我的直觉是可以合理地将它们视为非参数，但是鉴于我仍在学习混合效果模型，因此我对此领域的信心很低。

如有疑问，请自举！确实，我不知道处理这种情况的固定程序。

自举是从手头的数据生成一些错误参数的一种普遍适用的方法。引导程序不依靠典型的参数假设，而是利用样本的特征来生成经验分布，可以与样本分布进行比较。

谷歌学者是金...它已经完成了...至少一次。

伦尼堡，克利福德E .；Tousignant，James P .；1985年“ Efron的引导装置在重复测量设计中的应用”。多元行为研究；卷85 20第2期，p161，18p

在某些论坛和邮件列表中提到了一个“技巧”，我在Joop Hox的书“ Multilevel Analysis”（第二版，2010年），第189页中也提到了它。

想法是：将长数据重新格式化为长数据集，在其中创建包含所有DV响应的新DV，并使用保留有关DV性质的信息的索引变量来预测此结果。

假设您有9个抑郁症症状（常规），2个测量点和300名受试者。因此，虽然普通数据集中有300行，而长数据集中有600行，但是这个新数据集将有9（症状）x 2（时间）x 300（主题）行。

新的DV变量“症状”现在包含9种症状的参与者的症状严重程度，变量“索引”包含有关症状性质的信息（1到9），然后有两个变量“时间”和“用户身份”。

现在，您可以使用该ordinal包来运行它。

data<-read.csv("data_long_long.csv", head=T)

data$symptoms <- factor(data$symptoms)
data$time <- factor(data$time)
data$index <-factor(data$index)

m1<-clmm2(symptoms ~ index+time, random=UserID, data = data, Hess=TRUE, nAGQ=10)

在我的特定情况下，我很感兴趣索引和时间之间是否存在显着的交互作用，因此我运行了一个附加模型并进行了比较：

m2<-clmm2(symptoms ~ index+time, random=UserID, data = data, Hess=TRUE, nAGQ=10)
anova(m1,m2)

CLMM2使用随机截距模型（据我所知，该程序包ordinal不做随机斜率），如果您不使用随机截距模型，则可以使用CLM来运行模型，例如：

m3<-clm(symptoms ~ index+time, data = data)