我有一个简单的设置。我有10个病人，我想测试某种药物对肾功能的影响。每个病人都将作为他自己的控制和干预。
首先对于对照观察，测量每位患者的基线左肾功能和右肾功能。
然后，一旦引入干预措施，就会再次测量每位患者的左右肾功能。
为了确定效果药物，我正在寻找干预措施和控制措施之间的显着差异。
上表中的值是虚构的，旨在提供清晰性。
从技术上讲，我有 20 个成对的观察结果，但它们不是独立的。每个患者有两个成对的观察结果，这些观察结果是内在相关的。
我可以取干预前后左右肾功能的平均值。然后我只有 10 个配对观察值，我可以进行简单的配对样本 t 检验。
有没有另一种方法可以在不平均或丢弃数据的情况下找到显着差异？我想保留这些重复的措施。有没有办法考虑他们的依赖？
我查看了重复测量方差分析，但我不确定这是否是我需要的。我需要使用线性混合效应模型吗？
注意：如果我进行配对 t 检验，就好像它们是 20 个独立的配对观察值一样，我的结果具有统计学意义 p<0.02。如果我平均左右并使用 10 个独立的配对观察，我的结果在统计上不显着，p>0.10。
这基本上是对变化模型的分析。
在基线时对每个受试者进行 2 次测量，在随访时再进行 2 次测量。我将避免称其为“控制”和“干预”，因为这可能会有些误导。
我们对患者进行了重复测量。因此，我们可以考虑一个适合患者随机截距的模型来控制这一点。每个患者的每个肾脏内也有重复测量。我建议以下模型：
measure ~ time + LR + (1 | PatientID)
为了拟合这个模型，有必要对数据进行“重塑”，如下所示：
PatientID time LR measure
1 -0.5 L 19
1 -0.5 R 29
1 0.5 L 27
1 0.5 R 20
2 -0.5 L 14
2 -0.5 R 13
2 0.5 L 13
2 0.5 R 11
估计time将回答研究问题：与干预相关的变化是什么measure，同时控制患者内部以及每个患者的同一肾脏内的重复测量。
另一种方法是拟合嵌套随机效应，并将LR其视为随机因素：
measure ~ time + (1 | PatientID/LR)