重复措施是一个超载的术语。对某些人来说，它指的是一种特定的统计分析方法；对其他人来说，它指的是设计的结构。

这是三期三治疗交叉设计的变体。

它是一种变体，因为通常在交叉设计中，您将主题随机化为序列。在这种情况下，每个受试者的顺序是随机确定的。由于有六个可能的序列，因此可能没有观察到某些序列，尤其是 10 个受试者。也许这在形式上与将受试者随机化到序列中相同，但我还没有看过。

交叉设计的考虑因素是：

• 遗留效应：也称为残留效应，之前的治疗可能会影响对当前治疗的反应。清洗期的目标是从考虑中消除这一点。您还可能（理论上）具有二阶残留效应，其中第一阶段给予的治疗可能会影响对第三阶段给予治疗的反应。

• 经期影响: 随着对给定受试者的研究进行，对治疗的反应可能会发生变化。

• 自相关：误差中的序列相关通常是更密切测量数据的问题。在简单的平衡设计中，对受试者产生随机效应意味着每个受试者的误差具有相同的相关性。

• 受试者影响：无论治疗如何，受试者的平均反应可能不同。您可以设想这样一种情况，即测量误差与随机主体效应呈序列相关。

• 序列效应：如果您将主题随机化到序列中，则主题被认为是按顺序嵌套的。

对此的最小分析将是建议的随机完整区组设计。也就是说，治疗的固定效应和受试者的随机效应。样本量很小，这可能是您真正可以做的。

如果可能的话，我会主张更多的分析结构。周期相互作用具有固定效应，对受试者具有随机效应似乎是个好主意。对于小型数据集，如果无法拟合此模型，我将首先放弃治疗 period 交互。$\times$$\times$

应包括期间，因为它代表对随机化的限制。你不能“随机化”时期——它们总是以相同的顺序发生。治疗 period 相互作用可能表明某种遗留效应。$\times$

借助大量数据，我们可以制定出能够估计各种特定残留效应的术语。我对此的笔记已经消失了，尽管我知道我已经在一些文本中看到了它。

在 R 端对相关结构进行额外建模的策略对我来说似乎是合理的。这允许一个人声称一个人正在处理由对同一主题的重复测量引起的可能的依赖结构，如果分析转移到那个级别，我也可能会声称主题的随机效应......如果各种分析策略提供广泛或非常相似的结果。

为了实现，我会使用PROC MIXEDinSAS和可能nlme或lme4in R。

我将讨论复合对称性问题，因为这似乎更像是 MANOVA 是重复测量的唯一“正确”分析的日子的延续。