嘿，针对你这个问题——两组样本在13个相同时间点测量重量，且各自重量随时间变化，要判断两组是否统计相等——我给你梳理几个适配的方法，你可以根据数据的前提条件来选：

1. 首选方法：重复测量方差分析（Repeated Measures ANOVA） #

如果你的数据符合以下假设：

• 每个时间点的组间重量差值服从正态分布（可以用Q-Q图或者Shapiro-Wilk检验验证）
• 各组的方差-协方差矩阵满足球形性（用Mauchly检验就能查）
  那这种方法是最直接高效的：
• 把「组别」设为固定因子（两个水平：Sample 1和Sample 2）
• 把「时间」设为重复测量因子（13个时间点作为水平）
• 这个模型会同时输出三个关键结果：
  • 组间主效应：判断两组的整体重量是否存在统计差异
  • 时间主效应：再次量化重量随时间变化趋势的显著性（你已经知道有变化，但模型能给出统计层面的验证）
  • 组×时间交互效应：判断两组随时间变化的趋势是否不一样（比如一组重量下降快，另一组下降慢）

要是球形性假设不成立也没关系，用Greenhouse-Geisser或者Huynh-Feldt校正一下自由度就行，结果依然可靠。

2. 非参数替代方案：Friedman检验+事后Wilcoxon符号秩检验 #

如果数据不满足正态或球形性（比如重量数据偏态很明显），那就换非参数方法：

• 先用Friedman检验做整体检验：判断在所有时间点上，两组的重量分布是否存在差异
• 如果Friedman检验结果显著，再用Wilcoxon符号秩检验逐个时间点做组间比较，找出具体哪些时间点有差异
• 注意：多次检验要做Bonferroni校正，不然容易把随机波动当成真差异

3. 更灵活的进阶方案：线性混合效应模型（LMM） #

如果你的样本存在个体差异（比如每个样本自身的重量变化规律不一样），或者时间是连续变量（不是单纯的“第1个时间点、第2个时间点”，而是具体的小时/天数），线性混合效应模型会更合适：

• 把「组别」、「时间」以及两者的交互项作为固定效应
• 把「样本个体」设为随机效应，用来捕捉个体间的变异
• 这个模型还能处理少量缺失数据，并且可以拟合时间的连续变化趋势（比如线性增长、二次曲线下降之类的）

几个关键提醒 #

• 先做前提假设检验：别上来就跑模型，先查正态性、方差齐性，这会直接影响你选哪种方法
• 要是你的“配对”是指两组样本是一一匹配的（比如Sample 1的每个个体都对应Sample 2的一个条件完全一致的个体），那分析时要把「配对组」作为随机效应加进去，或者用配对设计的重复测量方差分析，这样能控制配对带来的混杂因素

内容的提问来源于stack exchange，提问作者Susi L