我的设计如下。
实验完全在受试者内。也就是说，每个受试者都会收到和.
这是一个重复测量逻辑回归设置。实验将给出两个 ogives对比，一个用于level1，一个用于level2. 的效果应该是与 level1 相比，对于 level2，ogive 应该具有更浅的斜率和增加的截距。
我正在努力寻找使用lme4. 例如，
glmer(y ~ x1*x2 + (1|subject), family=binomial)
据我了解，该1|subject部分说这subject是随机效应。但我不知道如何指定和是重复测量变量。最后，我想要一个包含受试者随机效应的模型，并为 level1 和 level2 提供估计的斜率和截距。
tl; dr：您的模型已经说明了您重复测量的事实。尽管如此，如果它适合，您最好使用：
glmer(y ~ x1*x2 + (x1:x2|subject), family=binomial)
但如果这不可控，您可以尝试：
glmer(y ~ x1*x2 + (1|subject) + (0+x1|subject) + (0+x2|subject), family=binomial)
有关此处语法的解释，请参阅：R 的 lmer 备忘单。
完整版： 您无需“告诉” R和是重复测量变量。（这实际上只是一个小的语义区别，但是）我不会说变量可以是“重复测量变量”与“非重复测量变量”。变量只是变量。我会说，例如，“变量 1 在患者体内测量，变量 2 在患者之间测量”或类似的东西。当然，你的措辞很好，你只是不希望它导致一些混乱，你认为重复测量是变量固有的某种本体状态。
无论如何，您不需要告诉 R 变量是在人体内测量的，您只需使用随机和/或固定效应来制定模型，以说明来自同一个人的数据的非独立性。（是的，您可以使用固定效应来解释这一点：每个人都将是包含的分类变量的一个级别。但是，这将回答一个稍微不同的问题——几乎肯定不是你感兴趣的问题——除非如果您在每种条件组合中对同一个人进行多次测量，则该模型将难以处理。）在实践中，您将使用随机效应来解释这一点。具体来说，您将对每个主题产生随机影响。
接下来，您需要指定您想要的随机效果。您使用的语法(1|subject), 将导致 R 包含每个人的随机截距。这将相对于平均值向上或向下移动某人的最佳拟合线。您应该考虑人们是否也可能在斜率上有所不同——即，他们对变量变化的反应有多强烈。您还应该考虑随机效应是否相互关联，例如，也许开始时较高的人也往往对增加的反应更强烈. 常见的建议是包括所有可能的随机效应和相互关系（Barr 等人，2013，“保持最大”，pdf）。但是，请记住，GLMM 在计算上比 LMM 更难，因此这样的模型可能难以处理。