我不完全确定实际模型“重复测量方差分析”描述了什么，但我认为一个普遍的问题是是否将任何类型的随机效应放入模型中，而不是仅调整方差估计以覆盖诱导的依赖关系（如面板校正标准误差与多级模型在时间序列横截面数据分析中的争论）。所以我会先解决这个问题，然后再解决你的问题。

固定和随机效应

关于何时使用随机而非固定效果的两个互补原则如下：

1. 当您有兴趣使用模型泛化到当前分析中未包括的该事物的其他实例时，表示具有随机效应的事物（主题、刺激类型等），例如其他主题或其他刺激类型。如果不使用固定效果。
2. 当您认为对于事物的任何实例，数据集中的其他实例都可能提供有关它的信息时，表示具有随机效应的事物。如果您期望没有这样的信息量，请使用固定效果。

两者都明确地包含受试者随机效应：您通常对一般人群感兴趣，并且每个受试者的响应集的元素是相关的，可相互预测的，因此可以相互提供信息。对于诸如刺激之类的事情就不太清楚了。如果只有三种类型的刺激，那么 1. 将激发固定效果，2. 将根据刺激的性质做出决定。

你的问题

在重复效应方差分析中使用混合模型的一个原因是前者更通用，例如，它们同样容易处理平衡和不平衡设计，并且它们很容易扩展到多级模型。在我（诚然有限）阅读经典 ANOVA 及其扩展时，混合模型似乎涵盖了 ANOVA 扩展所做的所有特殊情况。所以我实际上想不出更喜欢重复测量方差分析的统计原因。其他人也许可以在这里提供帮助。（一个熟悉的社会学原因是，您的领域更喜欢阅读其年长成员在研究生院学习的方法，一个实际的原因是，学习如何使用混合模型可能比 ANOVA 的小范围扩展需要更长的时间。）

笔记

使用与非实验数据最相关的随机效应的一个警告是，为了保持一致性，您必须假设随机效应与模型的固定效应不相关，或者添加固定效应均值作为随机效应的协变量（已讨论例如在 Bafumi 和 Gelman 的论文中）。

如果您的参与者在每种情况下看到完全相同的图片（在您的原始示例中显然不是这种情况，因为每个类别可能包含不同的图片），则单元格上的方差分析可能会准确地告诉您您想知道的内容。喜欢它的一个原因是它更容易理解和交流（包括当你试图发表你的研究时对审稿人）。

但基本上是的，如果您进行实验，其中许多人必须针对一些条件（例如图片类别）做某事并在每种条件下重复试验，那么您总是有两个可变性来源。出于这个原因，某些领域（例如心理语言学）的研究人员经常使用多层次模型（或其他一些较旧的替代方案，例如 Clark 的 F1/F2 分析），而其他领域（例如主流实验心理学的大量工作）基本上忽略了这个问题（因为没有据我所知，能够摆脱它的其他原因）。

本文还讨论了这个问题：

Raaijmakers, JGW, Schrijnemakers, JMC 和 Gremmen, F. (1999)。如何处理“语言作为固定效果的谬误”：常见的误解和替代解决方案。记忆和语言杂志，41（3），416-426。

绝不。重复测量方差分析是一种类型，可能是最简单的混合效应模型。我什至建议不要学习重复的措施，除了知道如何将一个作为混合效果来拟合，而是学习混合效果的方法。这需要更多的努力，因为它们不能被理解为配方，但更强大，因为它们可以扩展到多个随机效应、不同的相关结构并处理丢失的数据。

参见 Gueorguieva, R. 和 Krystal, JH (2011)。移动方差分析。Arch Gen Psychiatry, 61, 310–317。http://doi.org/10.1001/archpsyc.61.3.310