含缺失协变量数据的重复测量GLMM（交叉设计）技术咨询

针对你在28名受试者的交叉试验中遇到的体力活动协变量缺失问题——6人全缺失、4人仅单条件数据完整，纳入协变量后只剩22个观测的情况，结合交叉设计自身对照的特点，给你整理几个实用的处理思路：

1. 处理单条件缺失的4名受试者 #

• 成对保留有效观测：交叉设计中每个受试者的两个条件是独立的观测点，对于这4名仅一次体力活动数据缺失的受试者，完全可以保留其数据完整的那组观测，另一组缺失的不纳入该协变量的模型分析。这种方法不会浪费可用数据，同时符合交叉设计的分析逻辑，记得模型里一定要加入受试者随机效应来控制个体差异。
• 单一填补补全数据：如果这4人有其他可参考的信息（比如日常体力活动的自评记录、同组受试者的体力活动均值），可以用均值、中位数，或者基于BMI、年龄这些完整协变量构建简单回归模型预测缺失值来填补。不过要注意，单一填补会低估结果的方差，后续解读时要说明这个局限性。

2. 处理全缺失的6名受试者 #

• 多重填补（MI）优先考虑：这是目前处理缺失数据的黄金方案。你可以用现有完整的协变量（BMI、年龄、空腹值、葡萄糖AUC结果）构建填补模型，生成5-10个完整数据集，分别在每个数据集上拟合调整后的混合效应模型，最后合并所有结果得到综合的效应估计和置信区间。这种方法能保留全部28名受试者的信息，还能考虑缺失数据带来的不确定性。
• 剔除+敏感性分析：如果暂时不想用多重填补，可以先剔除这6名全缺失的受试者，用22个观测分析，之后一定要做敏感性分析——比如假设这6人的体力活动处于样本均值或极值，模拟补全数据后重新分析，看核心结果（含糖饮料vs饮水的AUC差异）是否稳定。如果结果变化不大，说明剔除的影响有限；如果差异明显，一定要在讨论里明确标注这个局限性。
• 谨慎考虑忽略协变量：如果体力活动和BMI、年龄等已纳入的协变量高度相关，或者预分析发现它对葡萄糖AUC的影响极小，可以尝试拟合不调整体力活动的模型，对比调整后的结果。如果核心效应差异不大，说明缺失的影响有限；但如果差异显著，还是优先用填补方法更稳妥。

3. 模型适配建议 #

因为是交叉设计，一定要用混合效应模型（比如R语言lme4包的lmer函数），这类模型能灵活处理不平衡数据，同时加入受试者随机效应来控制个体间的固有差异，比传统重复测量ANOVA更适合你的场景。

内容的提问来源于stack exchange，提问作者Patrick