我建议您使用Time6 级因子，然后使用适当的对比来比较相位，例如，使用对比系数检查Post vs Instruction。$(0,0,-.5,-.5,+.5,+.5)$

Time由于重复测量，在模型中使用自身可能很重要。例如，有些人可能想在这些上放置某种时间序列错误结构——或者可能是一个模型，它假设一个阶段内的相关性大于它们之间的相关性。

例子

3 个受试者的玩具数据集，6 次：

> fake = expand.grid(time=1:6, subj=letters[1:3])
> fake$y = c(18,15,30,28,48,49,19,18,27,28,49,52,19,18,27,25,48,49)

拟合具有time6 水平因子和subj随机效应的模型：

> library(lme4)
> fake.lmer = lmer(y ~ factor(time) + (1|subj), data = fake)

我将使用lsmeans包中的函数分三个阶段完成。首先，获取每个的 LS~means（又名预测）time

> library(lsmeans)
> (time.lsm = lsmeans(fake.lmer, "time"))

 time   lsmean        SE df lower.CL upper.CL
    1 18.66667 0.8388705 12 16.83890 20.49444
    2 17.00000 0.8388705 12 15.17223 18.82777
    3 28.00000 0.8388705 12 26.17223 29.82777
    4 27.00000 0.8388705 12 25.17223 28.82777
    5 48.33333 0.8388705 12 46.50556 50.16110
    6 50.00000 0.8388705 12 48.17223 51.82777

为方便起见，这里是每个阶段的平均预测。该函数是contrast，但它可以估计线性函数，无论它们是否是对比：

> (phase.lsm = contrast(time.lsm, list(base = c(.5,.5,0,0,0,0), 
+    instr = c(0,0,.5,.5,0,0), post = c(0,0,0,0,.5,.5))))

 contrast estimate        SE   df t.ratio p.value
 base     17.83333 0.5947299 9.86  29.986  <.0001
 instr    27.50000 0.5947299 9.86  46.239  <.0001
 post     49.16667 0.5947299 9.86  82.671  <.0001

现在获得这些的成对比较：

> pairs(phase.lsm)

 contrast       estimate      SE df t.ratio p.value
 base - instr  -9.666667 0.83666 10 -11.554  <.0001
 base - post  -31.333333 0.83666 10 -37.450  <.0001
 instr - post -21.666667 0.83666 10 -25.897  <.0001

P value adjustment: tukey method for a family of 3 means

请注意，我本可以直接进入我之前提到的对比类型。例如：

> contrast(time.lsm, list(`base-instr` = c(.5,.5, -.5,-.5, 0,0)))

 contrast    estimate      SE df t.ratio p.value
 base.instr -9.666667 0.83666 10 -11.554  <.0001

似乎有很多可能的方法可以做到这一点，具体取决于您到底想要什么。

ANOVA 或重复测量 ANOVA 的想法只有在您有不同的治疗组时才有意义（对我而言）（例如，38 人中有一半接受了不同的指示等）。由于所有参与者都属于 1 个组，在我看来，您需要的只是一个好的旧配对 t(z)-test。

但首先，您需要定义增长。例如，如果您将增长定义为最后一次测量与第一次测量之间的差异，那么您可以运行：（ t.test(Y6,Y1,paired=TRUE)在哪里Y6和Y1是相应时间的测量值）。

如果您将增长定义为最后 2 和前 2 之间的差异，那么您可以首先导出该变量，并将问题简化为前一种情况。 Ypost=(Y6+Y5)/2;Ybase=(Y1+Y2)/2接着t.test(Ypost,Ybase,paired=TRUE)

这当然是进行分析的最简单方法，可以说有更复杂的方法来做事情，例如具有随机参与者效应和时间相关误差结构的线性混合模型。但是在不知道你到底想做什么的情况下，最好还是坚持使用更简单的方法（即t.test）。