我正在对从患者那里收集的临床数据进行分析，这些数据与时间（纵向）相关，或者更常见的是同一人同时进行的不同测量（例如，测量每只眼睛的变量）。
我的问题是在我运行统计数据时考虑这种相关性，因为上述内容违反了我观察的独立性。
我遇到了混合效果模型，我现在已经阅读了很多，我认为这就是我需要的。因此，我将在任何回归中包括双眼，但将人添加为随机效应。
然而，阅读更多关于这个主题的内容，似乎有“聚类相关的方差稳健估计”（我相信这在 STATA 中很流行），以及多个主题谈论“聚类标准误差”或“分层建模”，坦率地说，这些主题有点过时了我的深度。
所以我的问题是：
在回归分析非独立观察（例如同一个人的两只眼睛）时，混合效应模型是要走的路吗？我看过使用聚类方差估计的文献。那有什么不同？（我使用 R 作为参考）。
混合效应模型都是基于回归的。在考虑非独立问题的同时，我将如何进行相当于 t 检验或 mann whitney u 检验？
- 在回归分析非独立观察（例如同一个人的两只眼睛）时，混合效应模型是要走的路吗？
简而言之：是的。
混合模型能够对研究设计在数据中引入的依赖性或结构进行建模。在您测量双眼的示例中，您可以对个体使用具有随机效应的混合模型，因为个体有两只眼睛，因此通过两次出现在数据中而导致依赖性。
但是，您仍然不能将伪复制视为混合模型中的真实复制。在许多情况下，您可以在混合模型中更有效地使用它们，但真正重复的数量并没有通过更改模型类型而神奇地增加。
话虽如此，您所描述的重复测量在医学研究中非常常见，并且可以使用混合模型很好地建模。
- 混合效应模型都是基于回归的。在考虑非独立问题的同时，我将如何进行相当于 t 检验或 mann whitney u 检验？
您可以使用（混合）回归模型轻松执行等效的检验：
library(lme4)
lmer(y ~ x + (1 | rand))
哪里x是一个两水平的因素。第一组x将截距和显着性x作为解释变量意味着两组之间存在显着差异。
至于 Mann-Whitney-U 检验，我不确定您是否可以使用混合模型进行基于等级的检验。但是，您可能不需要，因为您可以使用广义线性混合模型（例如glmer(..., family = 'poisson')）或非线性混合模型（请参阅nlme包）。
尽管该nlme软件包很棒，但我建议您不要太快跳到非线性模型，因为 GLMM 通常更容易解释，并且在许多情况下，临床中数据生成过程的理论分布是一个合乎逻辑的选择研究。
或者，您可以研究贝叶斯层次建模，它实际上与混合模型非常相似，尽管如果您不熟悉贝叶斯统计数据会有点困难。
有许多模型尝试对依赖关系或层次结构进行建模。我不熟悉“集群相关的方差稳健估计”，但具有嵌套结构的混合模型本质上是一个层次模型。