什么时候需要重复测量方差分析而不是混合效果模型？

为了回答这个问题，关于我的设计（我向参与者随机展示不同类别的图片的设计）是否是一个示例，我应该使用重复测量方差分析，我得到的答案是我应该使用混合模型，其中之一是原因是我有两种形式的依赖关系：主题和类别。

现在我的问题是：在进行这种重复测量设计时，是否总是总是以这种方式有两个依赖关系？也就是说，在什么情况下重复测量方差分析优于混合效果建模方法，为什么？

我不完全确定实际模型“重复测量方差分析”描述的是什么，但我认为一个普遍的问题是是否在模型中放置任何形式的随机效应，而不是例如仅调整方差估计以覆盖诱发的依赖性（如在时间序列横截面数据分析中，专家组更正了标准误差与多层模型的争论。因此，我将首先解决该问题，然后再解决您的问题。

固定效应和随机效应

关于何时使用随机效应而不是固定效应的两个补充原则如下：

1. 当您有兴趣使用模型将事物概括为当前分析中未包括的该事物的其他实例（例如，其他主题或其他刺激类型）时，用随机效果表示事物（主题，刺激类型等）。如果不使用固定效果。
2. 当您认为某事物的任何实例，数据集中的其他实例都可能提供有关该事物的信息时，用随机的效果表示事物。如果您不希望得到这样的信息，请使用固定的效果。

两者都明确地激发了包括受试者随机效应在内的动机：您通常通常对人类人群感兴趣，并且每个受试者的响应集中的要素是相互关联的，可以相互预测的，因此可以相互提供信息。对于诸如刺激之类的事情还不清楚。如果只有三种类型的刺激，那么1.将激发固定的效果，并且2.将取决于刺激的性质做出决定。

你的问题

原因之一，以使用混合模式在反复作用ANOVA在于，前者是明显更普遍，例如，它们同样轻松地平衡和不平衡的设计工作，他们很容易扩展到多层次模型。在我的（有限的）经典ANOVA及其扩展的阅读中，混合模型似乎涵盖了ANOVA扩展所做的所有特殊情况。因此，我实际上无法想到出于统计学原因，更喜欢重复测量方差分析。其他人可能可以在这里提供帮助。（一个熟悉的社会学原因是您所在的领域更喜欢阅读其老年成员在研究生院学到的方法，而实际原因是学习混合模型的时间可能比ANOVA的次要扩展要长一些。）

注意

使用随机效应（最适用于非实验数据）的一个警告是，要保持一致性，您必须假设随机效应与模型的固定效应不相关，或者添加固定效应均值作为随机效应的协变量（已讨论）例如，在Bafumi和Gelman的论文中）。

如果您的参与者在每种情况下都能看到完全相同的图片（在您的原始示例中显然不是这种情况，因为每个类别可能包含不同的图片），单元格上的ANOVA可能会告诉您您想知道的确切信息。选择它的原因之一是它易于理解和交流（包括尝试发表研究的评论者）。

但是基本上可以，如果您进行实验时，许多人必须对某些条件（例如图片类别）做出反应，并在每种条件下进行重复试验，则通常情况下，您有两个可变性来源。正是出于这个原因，某些领域（例如心理语言学）的研究人员常规地使用多级模型（或其他较旧的替代方法，例如Clark的F1 / F2分析），而其他领域的研究人员（例如主流实验心理学中的许多工作）基本上忽略了这个问题（因为没有能够摆脱它的其他原因（据我所知）。

本文还讨论了这个问题：

Raaijmakers，JGW，Schrijnemakers，JMC和Gremmen，F。（1999年）。如何处理“固定效果的语言谬论”：常见的误解和替代解决方案。记忆与语言杂志，41（3），416-426。

决不。重复测量方差分析是混合效应模型的一种，可能是最简单的一种。我建议不要学习重复的测量方法，除非要知道如何将其作为一种混合效果，而要学习混合效果方法。由于无法理解为配方，因此需要付出更多的努力，但由于可以扩展到多种随机效果，不同的相关结构并处理丢失的数据，因此功能更加强大。

参见Gueorguieva，R.和Krystal，JH（2011）。移动方差分析。Arch Gen Psychiatry，61，310-317。http://doi.org/10.1001/archpsyc.61.3.310