我同意 suncoolsu 的观点，很难准确地说出您在寻找什么。一般来说，不建议再做标准的重复测量方差分析，因为通常有更好的选择。

不过，也许您想生成一个简单的分层方差分析。分层是指您的效果是在另一个分组变量中衡量的，在您的情况下是主题，因此是主题内设计。如果您的数据框是 df 并且您的响应变量是 y，那么您可能有一个受试者内预测变量 x1，并且与受试者内预测变量 x2 交叉，并且可能与受试者之间预测变量 z 交叉。要获得包含您将使用的所有交互的完整模型。

myModel <- aov( y ~ x1 * x2 * z + Error(id/(x1*x2)), data = df)
summary(myModel)

您会注意到，在 Error 术语中，我们将 x1、x2 及其交互分组在 id 下。请注意，z 不在其中，因为它不是主题内的变量。

请进一步记住，此数据以长格式排列，您可能需要先汇总它才能正确运行，因为重复测量设计通常建议比条件更多的样本/主题，以便获得对每个主题的响应值的良好估计。因此，上面的 df 可以用下面的 dfa 代替。

dfa <- aggregate ( y ~ x1 + x2 + z + id, data = df, mean)

（顺便说一句，suncoolsu 给出了一个基于多层次建模的更现代的答案。如果您继续进行重复测量设计，建议您了解这一点，因为它更强大，更灵活，并且允许人们忽略某些类型的内部主题假设（特别是球形度）。我所描述的是如何进行重复测量方差分析。您可能还想查看汽车或更高级别的 ez 包以执行此操作。）

至于您的 Bonferroni 查询......它可能应该是一个单独的问题。然而，通过反复测量，这有点难以回答。你可以试试 ?pairwise.t.test。如果您将所有内部变量的交互作用作为组因子并将配对设置为 true 并将校正设置为 bonf 您已设置。然而，像这样的直接修正可能过于保守。你一开始就说你只会在有显着效果的情况下使用它，你可能也有一个理论上的理由进行一些比较，因此严格来说，Bonferroni（结束）纠正的钓鱼探险并不严格。所以，像...

with( df, pairwise.t.test(y, x1:x2, paired = TRUE, p.adj = 'bonf') )

会做你想做的，但这可能不是你真正想要的。

您应该提供有关您的数据的更多详细信息。从您提供的有限细节来看，假设您有一个包含 、 、 和 信息的数据框df，response那么trt这些time是subject在R使用lme4包中拟合 LME 模型的多种方法。但是，我将说明三种我认为对您有用的方法。

library(lme4)

# Random intercepts for different subjects but time and trt effects are fixed 
mmod1 <- lmer(response ~ time*trt + (1 | subject), df)

# Random intercepts and trt effects for different subjects, but the time effect is still fixed
mmod2 <- lmer(response ~ time*trt + (1 + trt | subject), df)

# Random intercepts, trt, and time effects for different subjects
mmod3 <- lmer(response ~ time*trt + (1 + trt + time | subject), df)

一旦你从上面的模型中得到 p 值，你可以使用：

HPDinterval(mmod1, prob = 0.95, ...)
HPDinterval(mmod2, prob = 0.95, ...)
HPDinterval(mmod3, prob = 0.95, ...)

获得从 MCMC 样品中确定的 95% CI。由于此 CI 是从 MCMC 采样中获得的，因此它考虑了随机误差，并且您无需对多重比较进行校正（我认为是，如果我错了，请纠正我）。