统计模型设定

固定因子的特点：固定因子是试验中考虑了所有情况的因子，或者结果仅限于本试验设计的因子水平的因子

随机因子的特点：随机因子是试验中仅考虑了部分情况的因子，或者结果要推广到更大范围的因子。

混合模型https://www.uvm.edu/~statdhtx/StatPages/Mixed-Models-Repeated/Mixed-Models-for-Repeated-Measures1.html

变量：自变量、因变量、协变量。

因子：因子是数据类型，离散型的数据称为因子。

 

优点1. 缺失值处理简单，缺失值不会对同一对象的其他观测值产生影响。例如在大部分情况下，如果对一个病人的某一个测量值丢失，我们经常用last trial/observation carried forward，也就是用这个病人的缺失值的上一个观测值来填充。

优点2. 混合模型的时间点可以不一致；比如一个病人的测定时间点为4,6,8周，另外一个是1,4,7周，同样适用于混合模型。

优点3. 相比重复测量方差分析，不需要满足球对称或者复合对称。

优点4. 可以添加协变量

 

一个非常棒的例子https://stats.stackexchange.com/questions/58745/using-lmer-for-repeated-measures-linear-mixed-effect-model

数据模型中的截距取决于变量中的未解释部分（随机因子和误差）

重复测量的相关性矩阵：表示同一个研究对象多次重复测量的相关特性for a repeated-measures analysis with repeated measures on one factor, the covariance structure (the nature of the correlations between measurements of the same subject) is important.

1.研究对象（动物）

研究对象（subject）在模型中是随机因子（random）还是固定因子(fixed)取决于模型中的分布形式：

如果是巢式分布（nested）,则设定为随机因子。理解的话就是说研究对象是被随机分配到其中一组的；

如果是交叉分布(across)，则设定为固定因子。例如自身对照试验，同一个动物接受了2种处理，这里的动物就该设置为固定因子。

2.随机因子（以下模型中，1代表所有固定因子，0代表没有固定因子）

1|g 或1 + (1 | g), 因子g的所有水平都有随机截距。each level of the grouping factor, g, has its own random intercept

0 + offset(o) + (1 | g)或-1 + offset(o) + (1 | g)，假设均值（a priori）的随机因子

(1 | g1/g2)，或者(1 | g1)+(1 | g1:g2)，巢式因子的随机因子：g1以及g1内巢式分布的g2
(1 | g1) + (1 | g2)或1 + (1 | g1) + (1 | g2)，交叉因子的随机因子，g1和g2交叉分布

x + (x | g)或1 + x + (1 + x | g)，在固定因子x的不同水平下，截距和斜率都可以自由变化（截距斜率相互独立，上面4个都是假设截距斜率相关的）？？？？？

x || g或1 + x + (1 | g) + (0 + x | g)，固定因子x和随机因子不相关，不考虑固定因子x各水平下的随机因素g