重复测量方差分析

重复测量方差分析（Repeated Measures ANOVA）是一种用于分析同一组受试者在多个时间点或不同条件下重复观测数据的统计方法，属于广义线性模型的一种特殊形式。与传统方差分析（如独立组设计ANOVA）不同，重复测量方差分析能够有效处理观测值之间因重复测量而产生的依赖性问题，因为它将受试者内部的变异与受试者间的变异分离开来，从而大幅提高了统计检验的功效。

基本原理

重复测量方差分析的核心思想是将总变异分解为三个部分：受试者间变异、受试者内变异（含时间效应）和随机误差。通过将受试者自身作为对照，该方法能够控制个体差异带来的混杂影响，使得检测处理效应或时间效应的灵敏度更高。其模型可表示为：Yᵢⱼ = μ + αᵢ + βⱼ + (αβ)ᵢⱼ + εᵢⱼ，其中α表示受试者效应，β表示时间或处理效应，ε为随机误差项。在单因素重复测量设计中，F统计量的计算公式为F = MS处理 / MS误差，其中MS处理为处理效应的均方，MS误差为受试者内交互作用项与误差项的合并均方。

前提假设

该方法的使用需满足若干基本假设。第一，正态性假设：各处理水平下的因变量应服从正态分布，常用夏皮罗-威尔克检验（Shapiro-Wilk Test）进行评估；第二，方差齐性假设：各处理水平的方差应大致相等，可通过莱文检验（Levene's Test）进行检验；第三，球对称假设（Sphericity），这是重复测量方差分析最关键的假设，要求任意两个不同时间点的测量值之差具有相等的方差，常通过莫奇利检验（Mauchly's Test of Sphericity）进行评估。当球对称假设不满足时（即莫奇利检验显著），需使用格林豪斯-盖瑟（Greenhouse-Geisser）或欣-费尔特（Huynh-Feldt）校正系数对自由度进行调整，以控制第一类错误的膨胀。通常，当ε < 0.75时推荐使用格林豪斯-盖瑟校正，当ε > 0.75时则推荐使用欣-费尔特校正。

应用场景与优势

重复测量方差分析广泛应用于心理学、医学、生物学和教育学等领域的纵向研究设计中。例如，在临床试验中，研究者可能在不同时间点测量患者的血压变化，以评估药物疗效的持续性；在认知心理学实验中，研究者可能记录同一组被试在多个实验条件下的反应时，以探究认知加工过程的差异；在运动科学中，研究者可追踪运动员在不同训练阶段的体能指标变化趋势。该方法的主要优势在于：其一，减少了所需的样本量，因为每个受试者充当自己的对照；其二，能够检测随时间变化的趋势和交互效应；其三，统计功效高于独立组设计，因为个体差异被从误差项中剔除，使得误差均方缩小。

事后检验与趋势分析

当重复测量方差分析的主效应显著时，需进一步进行事后多重比较，以确定具体哪些时间点或条件之间存在显著差异。常用的事后检验方法包括配对t检验结合邦费罗尼（Bonferroni）校正、图基（Tukey）HSD检验、以及邓尼特检验（Dunnett's Test）等。其中邦费罗尼校正最为保守，通过将显著性水平除以比较次数来控制族系误差率（Familywise Error Rate）。此外，研究者还可以进行趋势分析（Trend Analysis），通过正交多项式将时间效应分解为线性、二次或更高阶的曲线成分，从而揭示测量值随时间变化的模式特征，例如判断指标的变化是线性上升还是呈现先升后降的二次趋势。

局限性及注意事项

重复测量方差分析也存在一些局限性。首先，数据缺失问题是纵向研究中常见的挑战，而该方法要求完整的数据集（即列表删除），缺失数据可能导致分析结果偏倚或样本量减少。对于缺失数据的处理，可考虑使用多重插补（Multiple Imputation）或最大似然估计方法。其次，学习效应、疲劳效应或练习效应等顺序效应可能影响测量结果，导致时间效应与真实处理效应相混淆，因此在实验设计阶段应通过随机化、ABBA平衡设计或拉丁方设计加以控制。最后，重复测量方差分析仅适用于一个或多个重复测量因子均为类别变量的情况，若时间变量为连续型或数据结构存在不平衡（如各时间点测量次数不等），则应考虑使用多层线性模型（Hierarchical Linear Model）或增长曲线模型（Growth Curve Model）等更具灵活性的替代方法。

软件实现

常用的统计软件如SPSS、R、SAS和Python均可实现重复测量方差分析。以R语言为例，可使用\texttt{aov()}函数配合\texttt{Error()}参数指定受试者内因子（如 \texttt{aov(Y \~ Time + Error(Subject/Time), data = df)}），或使用\texttt{ez}包中的\texttt{ezANOVA()}函数进行更便捷的分析（该函数自动输出莫奇利检验结果及校正系数）。SPSS则在"一般线性模型—重复测量"菜单中提供了图形化操作界面，可自动输出球对称检验结果、相应的校正系数以及事后多重比较的选项。Python中可通过\texttt{statsmodels}库的\texttt{AnovaRM}类实现重复测量方差分析，而SAS则使用\texttt{PROC GLM}配合\texttt{REPEATED}语句进行分析。

总结

重复测量方差分析是处理纵向数据和重复测量设计的重要统计工具，通过控制个体差异有效提升了统计检验力。研究者在使用时需重点关注球对称假设的检验与校正，并结合研究目的选择合适的事后检验方法。在数据缺失或假设严重偏离的情况下，应考虑使用混合效应模型等更为灵活的替代方案。掌握这一方法对于从事纵向研究和实验设计的学者而言具有重要的实际意义。