首先得先确认你的数据格式：SPSS做重复测量时常用宽格式（每个Day+Cue组合对应一列），但lme4需要长格式数据——也就是每一行代表一个受试者（Subject）的一次观测，你的数据应该包含这些列：Subject（受试者ID）、Genotype（组间自变量）、Day（组内因素，5个水平，要转成因子）、Cue（组内因素，9个水平，转成因子）、Att（因变量）。

如果你的数据现在是宽格式，先转成长格式，用tidyr包的pivot_longer很方便：

library(tidyr)
# 假设宽格式数据里，组内变量列名是类似 EBT100_Day1_Cue1 这样的结构
long_df <- pivot_longer(
  data = wide_df,
  cols = starts_with("EBT100"), # 匹配所有任务相关的列
  names_to = c("Task", "Day", "Cue"), # 拆分列名到这三个变量
  names_sep = "_", # 根据下划线拆分
  values_to = "Att" # 把值放到因变量Att列
)
# 然后把Day和Cue转成因子，确保R把它们当成分类变量（和SPSS里的组内因素一致）
long_df$Day <- as.factor(long_df$Day)
long_df$Cue <- as.factor(long_df$Cue)
long_df$Genotype <- as.factor(long_df$Genotype)

接下来是lme4的模型代码，完全对应你SPSS里的重复测量ANOVA逻辑：

1. 基础等价模型 #

这个模型和你的重复测量ANOVA核心逻辑一致，把Subject设为随机截距（控制受试者间的基线差异），固定效应包含三个因素的全交互：

library(lme4)
# 拟合模型
lmeModel <- lmer(Att ~ Genotype * Day * Cue + (1 | Subject), data = long_df)
# 查看模型结果
summary(lmeModel)

2. 更灵活的扩展模型（混合效应的优势） #

重复测量ANOVA假设组内因素的变异是独立的，但混合效应模型可以加入随机斜率，允许不同受试者在Day或Cue上的变化趋势不同，这更符合真实数据的变异情况：

# 尝试加入Day和Cue的随机斜率（如果模型收敛的话）
lmeModel_extended <- lmer(Att ~ Genotype * Day * Cue + (1 + Day + Cue | Subject), data = long_df)
# 如果出现收敛问题，可以简化随机结构，比如只保留Day的随机斜率：
lmeModel_simpler <- lmer(Att ~ Genotype * Day * Cue + (1 + Day | Subject), data = long_df)

3. 效应显著性检验 #

lme4本身不直接输出p值，你可以用以下几种方式检验效应（对应SPSS里的ANOVA结果）：

• 似然比检验：比较嵌套模型，比如检验三因素交互是否显著：

# 拟合去掉三交互的模型
model_no_3way <- lmer(Att ~ Genotype*Day + Genotype*Cue + Day*Cue + (1 | Subject), data = long_df)
# 比较两个模型，得到卡方检验结果
anova(lmeModel, model_no_3way)

• 用lmerTest包得到t/p值：模拟传统ANOVA的显著性输出：

library(lmerTest)
summary(lmeModel) # 现在会输出每个固定效应的t值和p值

• 类型III平方和检验（和SPSS默认设置一致）：用car包的Anova函数：

library(car)
Anova(lmeModel, type = "III")

关键注意点 #

• 一定要把Day和Cue转成因子（as.factor()），否则R会把它们当成连续变量，完全改变模型逻辑。
• 混合效应模型不需要满足重复测量ANOVA的球形性假设，这是它的一大优势，不用再做Mauchly检验或者校正。

内容的提问来源于stack exchange，提问作者PeterPer