1. 回归模型允许您跨预测变量定义的组显式借用信息。具有平衡设计仅意味着所有此类组具有以相同精度估计的效果（在回归假设下：正确的均值模型，同方差）。这对于证明统计模型的合理性很少（如果有的话）是必要的。传统上，考虑平衡设计有两个原因：评估随机化在临床试验中是否真正随机化，以及证明某些研究设计与简单随机样本之间的差异。事实上，只要研究人员遵守他们的抽样协议，不平衡设计通常更有效、更有效。为了澄清 SSIII 点，这基本上是主要影响的 F 检验，这是一个明智的检验。

2. 假设您在 GLM 中使用线性链接来获得连续结果，那么还有其他选择。但是，我觉得您当前的方法似乎很可靠，除非我不知道数据中存在任何严重的困难。对连续数据的一种传统考虑是是否需要进行转换，例如对数转换。如果您有兴趣使用 base-2 对数变换来估计 X 单位差异的 Y 差异的“比率”（即受试者在相差 1 'X' 的那些中的“Y”的 2 倍）感兴趣，这将是一个选择. 还有一些排名统计数据我觉得很难解释，但可能是对严重偏斜数据的敏感性分析。

顺便说一句：如果您在“表 1”中显示此数据，我建议您不要显示 p 值以保持平衡。它可能会误导认为您的设计依赖于这些特征的审阅者和/或读者。您只需要明确说明您的抽样方法，否则此模型听起来像是一种有效的方法。

正常的 GLM 方法在不平衡设计上工作得很好（前提是你没有使用为平衡情况而简化的表达式——体面的软件可以正常工作）。不平衡设计的功率比平衡设计要小，但 250 与 200 的效果不会那么大。