R语言重复测量GLMM时间效应分析：藻类剂量对幼螺发育的影响

各位统计领域的前辈们好！我最近在开展一项水产养殖实验，研究藻类投喂剂量对螺类发育阶段的影响，现在在统计分析环节遇到了困惑，想请大家帮忙梳理下思路。

先给大家介绍下我的实验设计和数据情况：

• 核心预测变量：藻类剂量，是连续型的固定变量，设置了梯度剂量组
• 实验重复：每个剂量组设置3个平行养殖缸，我打算把养殖缸作为随机因子来控制重复间的差异
• 采样方案：每4天采样一次，一共采集了4个时间点的样本，每个时间点会计数每个缸里的总螺数和晚期幼螺数
• 响应变量：我最终想用晚期幼螺数量占总螺数的比例作为响应（我把这个变量命名为Count）
• 额外变量：数据里还包含时间变量（比如采样天数：0、4、8、12天），显然这个变量会和幼螺发育比例强相关，必须纳入模型

我的核心需求是：明确藻类剂量对螺发育阶段的影响，但因为数据有时间维度的重复采样，还有平行缸的随机效应，不确定该怎么搭建合适的混合效应模型。我有几个具体的疑问想请教：

1. 模型的基本结构应该怎么设计？比如是否需要加入藻类剂量和时间的交互项？是不是应该像这样：

   # 只是我的初步想法，不确定是否合理
   model <- glmmTMB(Count ~ 剂量 + 时间 + 剂量:时间 + (1|养殖缸), family = beta_family())
   

2. 因为响应变量是比例数据（0到1之间），我应该选择哪种分布族？是用beta分布的广义线性混合模型，还是把原始的晚期幼螺数和总螺数作为二项式响应（比如cbind(晚期幼螺数, 总螺数-晚期幼螺数)）来拟合binomial族的GLMM？哪种更适合我的数据？
3. 时间变量应该作为连续型变量（用实际采样天数）还是分类变量（用采样点1/2/3/4）来纳入模型？哪种选择更能准确反映发育的时间动态？

我主要用R语言的lme4或者glmmTMB包来做分析，如果大家能给点具体的代码示例或者模型选择的判断依据，那就太感谢了！

内容的提问来源于stack exchange，提问作者J.Con