线性混合效应模型在我的生物学研究中并不常用，我需要报告我试图写的论文中使用的统计检验。我知道生物科学的某些领域（对依赖性的解决方案：使用多层次分析来容纳嵌套数据）已经开始出现对多层次建模的意识，但是我仍在尝试学习如何报告结果！
我的实验设计简而言之：
*将受试者分配到四个治疗组中的一个
*在开始治疗后的不同天对因变量进行测量
*设计不平衡（治疗组中受试者人数不等，并且缺少某些天的测量值）
*治疗A是参考类别
*我将数据集中在治疗的最后一天
我想知道治疗A（参考类别）是否比其他治疗（治疗结束）产生明显更好的结果。
我使用nlme在R中进行了分析：
mymodel <- lme(dv ~ Treatment*Day, random = ~1|Subject, data = mydf, na.action = na.omit,
+ correlation = corAR1(form = ~1 |Subject), method = "REML")
输出（部分内容；为了简洁起见被截断）为：
>anova(mymodel)
numDF denDF F-value p-value
(Intercept) 1 222 36173.09 <.0001
Treat 3 35 16.61 <.0001
Day 7 222 3.43 0.0016
Treat:Day 21 222 3.62 <.0001
>summary(mymodel)
Fixed effects: dv ~ Treatment * Day
Value Std.Error DF t-value p-value
(Intercept) 7.038028 0.1245901 222 56.48945 0.0000
TreatmentB 0.440560 0.1608452 35 2.73903 0.0096
TreatmentC 0.510214 0.1761970 35 2.89570 0.0065
TreatmentD 0.106202 0.1637436 35 0.64859 0.5208
因此，我知道Day的效果因治疗而异，并且在治疗的最后一天（数据居中），治疗A中的dv与治疗B或C显着不同。
我想说的是：“正如预测的那样，我们发现接受治疗A的受试者（平均+/- SE）的因变量显着低于接受治疗B（平均+/- SE，p = 0.0096）或治疗的受试者的因变量。 C（平均+/- SE，p = 0.0065），在治疗的最后一天测得。”
但是，我必须指出进行了哪些统计检验。这是描述分析的可接受方法吗？“ [测量方法]在所示的日期进行，并确定了因变量（单位）；我们使用了以[治疗的最后一天]为中心的线性混合效应模型来分析对数转换后的数据。符号代表平均dv；误差线是标准误差。在治疗的最后一天，治疗A的dv（平均+/- SE）明显低于治疗B的dv（平均+/- SE，p = 0.0096）...”
具体来说，
*这足以说明所使用的统计检验吗？（读者习惯于看到更多类似“平均值+/- SE，p = 0.0096，学生t检验”的方法，但似乎很奇怪地写出“ p = 0.0096，线性混合效应对治疗B与治疗A的系数” [治疗的最后一天]建立模型。“）
*是否有更好的方法来表达这一点？
（“方法”部分将提供有关统计信息的更多信息：“ [测量方法]数据已使用R和R包进行了分析...我们使用线性混合效应模型（以“主题”作为随机效应，并使用了线性混合效应模型来分析了对数转换后的因变量数据）。阶1（AR1）的自相关结构作为固定效应，包括“治疗”和“天”，以及“治疗”和“天”的相互作用，通过对残差图与拟合值进行目视检查来检查正态性和同质性，以评估在进行混合效应分析后，我们进行了似然比测试，将具有固定效应的模型与仅具有随机效应的零模型进行了比较。”）
对于如何向通常不喜欢统计数据的受众报告线性混合效应模型结果的任何建议（由相对统计数据的新手撰写），将不胜感激！