它们绝对是三个不同的数据点，但它们也绝对不是独立的（无论是同一天还是不同天）。您应该怎么做取决于您的分析目标，但多层次模型可能是一个不错的选择。对这些点进行平均也是可能的，但它减少了可变性并消除了随着时间的推移查看趋势的能力。

我大多同意@PeterFlom 的回答。在我看来，你不应该平均你的数据（你基本上丢弃了 2/3 的信息，你为什么要这样做？），但你绝对应该考虑这样一个事实，即对同一患者的测量往往会比对不同患者的测量更接近。在这种情况下，我通常推荐混合线性模型，这是@PeterFlom 推荐的多级模型的一个简单实例。

具体来说，您将使用广义线性混合模型。链接函数将是逻辑函数，如“普通”逻辑回归。然而，函数形式将包括对每个参与者的多次观察，由随机效应建模，就像在“普通”线性混合模型中一样，。在 R 中，您可以使用二项式系列通过lme4包中的 glmer() 来拟合它。对于预测，您可以使用单个测量值。$y∼F(Xβ+Zγ)$

当然，很难说在特定环境中混合模型是否比非混合模型预测得更好。混合模型的作用是考虑个人内部的可变性。如果你只是平均三个原始数据点，你会失去测量之间的所有可变性，所以你会对你从一个新的观察中预测的能力过于乐观。

另一方面，如果你只是简单地将所有观察结果都考虑在内而不考虑分组，你将再次过于乐观，因为所有标准误差都会缩小。想想如果你从每个参与者的一个观察开始会发生什么，比如 100 个数据点……然后简单地将每个观察复制 100 次。尽管您没有输入任何新信息，但您最终会得到 10,000 个“观察值”和比原始数据小得多的标准误差。

此外，混合模型允许对其他分组因素进行建模，例如位置、特定人口统计、员工、诊断师特征等。因此它们比平均方法更普遍。

这三个考试是不同的数据点。尽管它们显然不是对您感兴趣的人群中所有可能考试的独立（或随机）观察，但至少对于我能想象的任何分析而言。

其他人强调，您最好将这些数据点包含在您的分析中（因为您已经拥有它们），作为患者内的简单复制 [嵌套设计] 或将“时间/访问”作为绝对（例如日期）或相对（访问次数）感兴趣的变量[某种形式的重复测量设计]，如果有趣的话。我同意这是最有趣（也是最可能）的场景。

但是，如果您只对主题间变量感兴趣，则可能没有必要为增加的复杂性付费或改进您的结论。假设您只关心男性和女性之间的差异，或者您想通过患者年龄来解释风量。既然您知道您不能一次正确地描述患者的特征（即使同一患者在同一时刻测量结果也会发生变化），那么您可以采取多项措施并对它们进行平均。你不关心这种变化，它只是不可避免的；您只想尽可能接近该患者（当时/当时）的“真实”（平均值）值。这可能是最合理的分析。

[查看这篇论文，了解统计分析中的简单性与复杂性。]

根据其他答案（不，这些观察肯定不是独立的，所以你怎么办）......

但是你想用这些信息来预测其他变量吗？到目前为止，许多建议似乎都假设您想使用肺活量测定法作为因变量，因此对误差进行建模更直接（使用多级模型）。如果您想将肺活量测量值用作自变量，则最好使用验证性因子分析模型，其中 3 个重复测量值被建模为单个潜在潜在变量的指标。潜在潜在变量的方差是所有三个度量共享的，因此可以更好地反映您真正追求的东西（例如，与取平均值相比）。