我和一位同事正在尝试分析两种测量方法之间的一致性。由于我是一名工程师，其统计背景主要针对信噪比和误码率之间的关系，以及对随机过程的其他分析，因此我需要一些额外的解释，我提前道歉。
对于方法比较，创建一个 Bland-Altman 图是很自然的（我们已经这样做了）。然而，我们的数据有一些 Bland-Altman 风格分析没有考虑到的额外特征。此外，我们试图将我们的结果与早期的研究进行比较，该研究发表了混合效应分析产生的相关系数，不幸的是，该出版物没有说明他们是报告皮尔逊相关系数还是类内相关（也许还有其他也？）。
我们的数据集的特点是：
- 多个测试对象
- 每个测试对象的多个观察瞬间，按顺序排列并在时间上等间隔
- 受试者随时间变化，但接受治疗，因此时间依赖性变化不是单调的
- 在每个观察瞬间，使用每种方法进行一次测量
我们大学的一位统计学家警告我们，简单的配对分析是不合适的，因为存在特定于主题的效应，并指出我们进行混合效应分析，但无法提供进一步的帮助。
我读了几篇关于混合效应分析的文章，但如果有道理的话，大多数都是组比较，而不是一组比较。我在类内相关性上找到的信息表明它可以互换地处理类内的测量值，这在这里似乎很可疑。
本文使用混合效应分析进行方法比较，但使用重复测量而不是一系列时间分离的测量。它也不包括分组数据的相关系数。
到目前为止，这是我使用 R 所做的：
加载数据
data <- read.table(filename, header=TRUE, sep=",");
将变量转换为案例，添加因素（为遭遇创建一个因素是否正确，因为每个测试对象的时间指标都是独立的？）：
library("reshape")
mdata <- within(melt(data, variable_name="method", id=c("subject", "time")), {
subject <- factor(subject)
time <- factor(interaction(subject, time))
method <- factor(method)
})
运行线性混合效应模型。由于良好的周期性测量，我为随机主题/时间协方差矩阵选择了自相关结构。
library(nlme)
lm2 <- lme(value ~ method, random = list( ~1|subject, ~1|time ), corr = corAR1(), data = mdata)
我想知道我是否为固定效应和随机效应分配了正确的因素。另外，根据我的研究，我猜应该对方法*主题有随机影响，但它不应该具有 AR(1) 结构，而且我不知道如何为不同的随机效应赋予不同的结构。
最后，我确实计算了一个相关系数，使用类内相关性和遇到作为类来获得正确配对的测量值。但我不认为这是使用主题分组，而且正如我之前所说，我不觉得互换对待班级成员是正确的。
library(psychometric)
r2 <- ICC1.lme(value, time, mdata)
你将做点什么不同的？似乎该lmer函数更容易描述随机效应嵌套组，但我没有找到控制相关结构的方法。