除t检验外如何在回归等统计检验中处理配对观测值？

混合效应模型处理配对数据的常见报错场景 #

当研究设计为严格配对（每个配对单元/研究对象仅含2次匹配观测）时，直接套用混合效应模型往往会遇到参数可识别性问题，两个典型复现过程如下：

示例1：lm()与配对t检验的结果对标 #

首先模拟配对数据集：

# 模拟数据
set.seed(66)
x1 <- rnorm(n=100, mean=30, sd=6)
x2 <- rnorm(n=100, mean=60, sd=6)

# 整理为长表格式
dd <- data.frame(
  ID = rep(paste("ID", seq(1,100, by=1), sep="_"), 2),
  response = c(x1, x2),
  group = c(rep("A", 100), rep("B", 100))
)

无配对假设的t检验与单因素线性模型等价，计算结果和lm(response~group, data=dd)完全一致。
若要实现配对t检验的同等校正效果，直接尝试带随机效应的混合模型往往会触发两类结果：

1. 在模型中纳入随ID变化的随机截距和随机斜率：

   lmerTest::lmer(response~group + (1+group|ID), data=dd)
   

   系统返回参数不可识别错误：

   Error: number of observations (=200) <= number of random effects (=200) for term (1 + group | ID);
   the random-effects parameters and the residual variance (or scale parameter) are probably unidentifiable
   

2. 简化为仅纳入ID层面的随机截距：

   lmerTest::lmer(response~group + (1|ID), data=dd)
   

   模型虽可正常运行，但输出的固定效应估计、标准误、t值和非配对lm()结果完全一致，没有体现配对设计的校正作用。

示例2：含配对观测的线性回归场景 #

仍以上述数据集为例，两次观测为同一研究对象间隔30天的测量，目标是估计指标随时间的变化速率：

# 添加时间变量
dd$time = c(rep(0, 100), rep(30, 100))

散点分布示意：黑色线为全样本线性回归拟合值，红色线连接同一研究对象的两次观测
直接构建非配对线性回归：

lm1 <- lm(response~time, data=dd)

该模型完全忽略了观测的配对属性。若尝试通过混合效应模型校正：

1. 允许每个研究对象的截距、斜率独立变化：

   lmerTest::lmer(response ~ time + (time | ID), data=dd)
   

   同样触发参数不可识别报错，逻辑和示例1完全一致。
2. 简化为仅校正ID层面的随机截距：

   lmer(response ~ time + (1 | ID), data=dd)
   

   模型返回奇异拟合警告，且固定效应估计值和非配对lm()结果完全无差异。

核心逻辑与正确处理方式 #

混合效应模型失效的本质原因 #

• 当每个研究对象/配对单元仅包含2次观测时，若模型同时纳入随机截距+随机斜率，每个ID需要估计2个随机参数，总随机参数数量和总观测数完全相等，残差自由度为0，无法区分随机效应方差和残差方差，必然触发不可识别错误。
• 仅纳入随机截距的模型，在每个ID恰好2个观测的特殊结构下，固定效应估计的数学形式和非配对lm()完全等价，因此不会产生校正效果。这不是模型运行错误，而是这种数据结构本身无法为混合效应模型提供足够的自由度来分离个体层面的变异。

配对差值法的扩展应用 #

配对t检验的本质，是计算每个配对单元的观测差值，检验差值的总体均值是否显著偏离0。这一逻辑可以直接扩展到所有配对设计下的统计分析，不需要依赖混合效应模型，核心操作要点：

• 不要直接在长表格式的数据中机械拼出差分值。需要将长表聚合为宽表，每个配对单元仅产生1个差值作为独立分析样本，整体分析数据集的样本量等于配对单元的数量（本例中为100，而非长表的200）。
• 以计算得到的差值为响应变量，根据研究目的构建模型：
  • 若仅检验两组配对的均值差异：对差值向量做截距为0的t检验，结果和paired=T的t.test()完全等价。
  • 若要分析配对观测的变化速率：以两次观测的时间差为固定解释变量，对差值构建线性模型，此时的斜率估计就是剔除个体基线差异后的真实变化速率，结果和非配对长表回归存在本质差异。
  • 若要分析关联强度：可以在差值模型中纳入协变量，检验协变量对配对差值的解释力，这也是经典双重差分分析的核心逻辑。

前期验证实验的结果偏差原因 #

最初构造差分值时，直接在200行长表中拼接值：前100行（对应time=0的观测）的差值恒为自身减自身（值为0），后100行（对应time=30的观测）的差值为time=30减time=0的响应值。将这个包含100个无效0值的差值向量对time做回归时，根据最小二乘公式计算得到的斜率，必然和非配对长表的回归斜率完全相等，根本没有用到配对的对应关系：

• 所有0值的无效观测完全覆盖了配对排序对差值的影响，因此三种不同排序的数据集得到的斜率完全一致。
• 这种构造方式没有实现“每个配对单元仅保留1个差值”的核心要求，等同于把个体基线差异的信息完全从分析中剔除了。

内容的提问来源于stack exchange，提问作者Marco Plebani