如何正确对待每个主题的多个数据点

我目前正在与someoe争论如何正确处理每个对象的多次测量数据。在这种情况下，在短时间内针对每个受试者内的不同条件收集了每个受试者的数据。所有测量都完全收集相同的变量，只是多个变量。

现在的一种选择是仅按条件对数据进行分组，而不关心多个数据点来自一个主题。但是，每个主题的数据点可能并不完全独立。

另一种选择是，首先对每个受试者的每种状况进行所有测量的平均值，然后比较平均值。但是，这可能会影响重要性，因为在最终分析中未考虑到均值误差较小的问题。

您如何正确分析此类数据？SPSS是否以某种方式解决了这个问题？原则上，应该可以在计算平均值时计算误差容限，而不是在最终分析中考虑误差容限，但是我不认为SPSS会在背后进行某种计算。

“按条件对数据分组而不关心多个数据点来自一个主题”将违反独立性。所以那是不行的。一种方法是“对每个受试者的每种状况进行所有测量的平均值，然后比较平均值”。您可以通过这种方式做到这一点，不会违反独立性，但是会丢失主题级别的汇总中的某些信息。

从表面上看，这听起来像是一个混合设计，其中对象之间的条件以及对象内多个时间段的条件不同。但是，这就提出了一个问题，为什么您要在多个时间点收集数据？时间的影响或变量随时间的变化是否在条件之间会有所不同？如果对这些问题中的任何一个回答为“是”，那么根据数据的结构，我希望您感兴趣的是混合方差分析。混合方差分析会将主题差异从“背后的SSTotal”中分离出来。但是，这种划分是否有助于您在受试者之间进行条件测试，取决于其他几个因素。

无论如何，在SPSS / PASW 18中->一般线性模型->重复测量。每个主题都有一行，每个时间点都有一列，以及它们的条件标识符。条件标识符将进入“介于”部分，并且在定义重复测量因子时将注意重复测量。

正如drknexus所提到的，重复测量设计是处理此问题的传统方法。进行这种分析时，您必须汇总为一个分数/条件/主题。它对违反球形假设和其他问题很敏感。但是，更现代的技术是使用多级建模或线性混合效果。使用这种技术，您不会聚合数据。有几种可用的方法，但是我目前不知道最好的基础教程。Baayen（2008）第7章很好。Pinheiro＆Bates（2000）很好，但从事态发展的角度来看，遵循他们在入门中的建议，并阅读了建议初学者使用的内容。

如果您只是想获得方差分析样式的结果，假设所有数据都是长格式（一行/数据点），并且您有指示主题，响应（y）和条件变量（x）的列，则可以尝试在R中查看类似的内容（确保已安装lme4软件包）。

library(lme4)
dat <- read.table('myGreatData.txt', header = TRUE)
m <- lmer( y ~ x + (1|subject), data = dat)
summary(m)
anova(m)

您当然可以有更多条件变量列，也许可以进行交互。然后，您可以将lmer命令更改为类似...

m <- lmer( y ~ x1 * x2 + (1|subject), data = dat)

（顺便说一句，我相信不为了增加权力而反复采取措施是正式的谬论。有人记得这个名字吗？）