几年来，处理鼠标轨迹数据的研究人员一直在努力解决同样的问题。

Hehman 等人（出版中）对即将发布的方法进行了相当全面的审查，但我将在这里总结一些可能对您有用的观点。我敢肯定还有其他解决方案，但这些解决方案具有以下优点：a）相对简单，b）在心理学文献中确立。

大量 t 检验

可能是最简单的方法，也是自最初的鼠标跟踪论文(Spivey et al, 2005)以来一直使用的一种方法，即为每个时间步（其中 101 个在鼠标跟踪中）运行单独的 t 检验，并报告您的两个条件显着不同的时期，我猜在您的示例中约为 37,139 到 39,288。如果您的实验不仅仅是对两组的比较，Scherbaum 等人 (2010)对 101 个回归模型做了类似的事情，让它们能够在不同的时间点显示不同因素的影响。

增长曲线/多项式回归

另一种补充方法是使用增长曲线分析，也称为多项式回归。这种方法传统上用于分析细菌种群的纵向生长曲线（因此得名）的形状，或随着时间的推移儿童的身高，在眼动追踪研究中很流行，也被用于鼠标追踪。本质上，不是拟合常规线性回归：

$$Prop_{suprised} = \alpha + \beta_1*Condition + \epsilon$$

在哪里$\beta_1$告诉你效果$Condition$在$Prop_{suprised}$，你添加一个系数$Time$， 和$Time^2$， 和$Time^3$， 等等：

$$Prop_{suprised} = \alpha + \beta_1Condition + \beta_2Time + \beta_3Time*Condition + \beta_4Time^2 + \beta_5Time^2*Condition + [...] + \epsilon$$

虽然显然更复杂，但这可以让您得出关于每条曲线的形状的结论，而不仅仅是一条高于另一条的事实。

Dan Mirman 在这方面有一个很棒的教程（和一本书），它专门关于眼动追踪数据，但可以应用于其他地方。

统计大炮——广义加法混合模型

McKeown 和 Sneddon（2014 年）（可在此处获得预印本）刚刚发表了一篇关于您想要做什么的论文，或者用他们的话说：“保持由于感知情绪随着时间的推移而产生的响应的持续共享组件，同时能够推断关于组之间的线性差异”。

为了完整起见，我提到了这一点，但这里涉及的数学确实非常困难（我下周留出一段时间来尝试自己弄清楚），所以虽然我认为这不适合你的论文，但它是绝对是需要注意的事情，并通过引用给人们留下深刻印象。