我有两组科目，即：
每组的每个受试者都佩戴一个传感器，该传感器估计一天中任务的代谢当量 (MET)（该测量值表示受试者在一天中的活跃程度......它类似于能量消耗）。
对于每位患者，我计算每小时的平均 MET，这意味着每位患者都由具有 24 个数据点的时间序列表示。
在图片中，您可以找到每组受试者的每小时平均 METS 以及 95% 的置信区间。这张图片代表了 2 组的每小时模式。
是否有统计测试来比较（并强调两者之间的差异）2 小时模式？
问题是： 如何（使用统计测试）显示 67 岁以上和 67 岁以下的人的每小时模式之间存在显着差异？
这是一个老问题，但没有公认的答案，所以让我提供自己的答案。
这里有一些数据，虽然与您的数据不完全一样，但对于我们的目的来说已经足够接近了。
因为数据是非线性的，我认为 GAM 可能在这里工作得很好。我将使用 mgcv 库首先拟合一个简单的 gam，它使用平滑的时间和年龄组的附加效应（此处标记为 g）。
型号代码：
model = gam(y ~ s(t) + g, data = d)
让我们来看看预测。
模型看起来不错，也许尾部可能有问题。让我们拟合一个因组而异的平滑
model = gam(y ~ s(t, by = g), data = d)
让我们来看看预测
呃……也许我们需要那种附加效果。最后，让我们拟合一个模型，该模型因组而异，但也具有相加效应
model = gam(y ~ s(t, by = g) + g, data = d)
我认为这是我们将得到的最合适的。我应该补充一点，由于这些数据在技术上是周期性的，我们应该通过bs = 'cc'使用循环三次回归。它model有一个summary看起来很像lm摘要的功能，并带有假设检验。固定效应的检验类似于线性模型，但平滑的零假设要复杂一些。就我而言，加文·辛普森（Gavin Simpson）就像The GAM Guy 一样，在这里对 gam 汇总表进行了出色的总结。
您为什么不分成几个持续时间为 2 小时的时间段，例如 00:04、04:06 等，并且对于每个波段，您对每个波段应用两个样本 t 检验。您没有提到每组有多少患者，但如果他们只有少数，则应该进行 t 检验。然后您将获得每个时间段的 p 值和置信区间。仅当您可以拒绝所有波段并使用最大 p 值作为整个总体的 p 值时，您才能拒绝原假设。