重复测量数据lmer混合效应模型的随机效应设置疑问

原模型错误点 #

• 第一个模型(1|collection_point)：错误将测量时点作为随机聚类单位，未关联同一受试者的多次测量，因此无法识别重复测量特征；同时将collection_point同时纳入固定和随机效应，不符合研究设计逻辑（你明确关心时点的固定效应差异，无需将其设为随机效应）。
• 第二个模型(1+collection_point|id)：报错原因是每个受试者仅最多3个时点的观测值，不足以估计随机斜率的变异，样本量支撑不了这么复杂的随机效应结构。
• 第三个模型(1|collection_point/id)：属于嵌套随机效应写法，假设受试者嵌套于测量时点下，和你的研究设计完全不符（受试者是跨时点重复测量，不是每个时点独立招募不同受试者），因此写法错误。

正确模型代码 #

你的研究属于典型的两因素重复测量设计：干预组是受试者间因素，测量时点是受试者内因素，仅需要将受试者id设为随机截距，控制同一受试者多次测量的相关性即可：

# 加载必要包
library(lme4)
library(lmerTest) # 用于输出固定效应的显著性p值

# 提前将分类变量转为因子，设置时点的参照水平为基线，方便结果解读
df$id <- factor(df$id)
df$intervention <- factor(df$intervention)
df$collection_point <- factor(df$collection_point, levels = c("Baseline", "Immediate", "3M"))

# 最终模型
mixed.lmer.A_final <- lmer(
  formula = scale_A ~ intervention * collection_point + (1|id),
  data = df,
  na.action = na.omit # 自动剔除缺失值行
)

# 查看固定效应整体显著性
anova(mixed.lmer.A_final)
# 查看详细回归系数结果
summary(mixed.lmer.A_final)

模型说明 #

• (1|id)表示允许每个受试者有独立的基线得分偏移（随机截距），模型会自动关联同一个受试者的所有测量值，完全匹配你的重复测量需求。
• 交互项intervention:collection_point对应的就是不同干预组的得分随时间变化的差异，也就是你研究要验证的核心效应。

内容的提问来源于stack exchange，提问作者n23