Stata重复测量方差分析实战指南：从数据准备到结果解读的完整流程与常见问题解决方案
1. 重复测量方差分析基础概念
重复测量方差分析是医学、心理学等领域最常用的统计方法之一。我第一次接触这个方法是在研究生阶段做药物疗效评估时，当时导师要求分析患者在不同治疗阶段的血压变化。传统方差分析无法处理这种"同一个体多次测量"的数据结构，而重复测量方差分析恰好能解决这个问题。
这种方法的本质是分解变异来源。想象一下，我们测量10名患者每周的血压值，数据波动可能来自三个方面：患者个体差异（有些人天生血压高）、治疗时间效应（药物是否起效）、以及随机误差。重复测量方差分析的核心就是把这些变异拆分开来，看看时间效应是否显著。
与普通方差分析相比，重复测量设计有个巨大优势：节省样本量。比如要比较三种教学方法的效果，如果用普通ANOVA需要三组不同的学生，而重复测量只需要一组学生接受三种方法测试。这在临床研究中特别实用，毕竟找到愿意配合多次测量的受试者比招募大量不同受试者容易得多。
但要注意几个关键前提条件：
- 数据相关性：同一个体的多次测量值存在内在关联
- 正态性：每个时间点的数据要近似正态分布
- 球形假设：不同时间点间的方差-协方差结构要满足特定条件
2. 数据准备与格式转换
在Stata中做重复测量分析，数据格式决定成败。我见过太多初学者卡在这一步，包括当年的我自己。常见的数据格式有两种：
宽格式（wide format）就像Excel表格，每行代表一个受试者，不同时间点的测量值放在不同列。例如：
id group week1 week2 week3 1 1 150 145 140 2 1 160 155 150 3 2 170 165 160长格式（long format）则是每个测量值单独占一行，通过时间变量区分：
id group time bp 1 1 1 150 1 1 2 145 1 1 3 140 2 1 1 160 ...实测下来，长格式更灵活，特别是处理非平衡数据（有人缺失某次测量）时。用reshape命令转换格式时有个坑：一定要指定i()和j()参数。比如：
reshape long bp, i(id group) j(week)这里id是受试者唯一标识，group是分组变量，week会自动生成1,2,3表示时间点。忘记i()参数会导致数据混乱，这是我踩过的坑。
3. 模型假设检验实战
跑分析前必须检查三个关键假设，否则结果可能不靠谱：
正态性检验可以用Shapiro-Wilk检验：
swilk bp if time==1 swilk bp if time==2 swilk bp if time==3如果p值<0.05，可能需要做对数转换。
球形检验更关键，需要先安装mauchly插件：
ssc install moremata, replace ssc install mauchly, replace mauchly bp1 bp2 bp3, model(1)当Mauchly检验p值<0.05时，说明违反球形假设，必须用Greenhouse-Geisser校正。有个经验法则：ε<0.75时用GG校正，0.75-0.9用Huynh-Feldt校正，>0.9可以用原始结果。
4. 核心分析命令详解
基础命令格式如下：
anova 因变量 时间因子##分组因子, repeated(时间因子)比如分析药物试验：
anova bp time##drug, repeated(time)时间效应看time的F值和p值，组间差异看drug的统计量，交互作用看time#drug。如果交互作用显著，说明药物效果随时间变化模式不同。
对于复杂设计，可以指定协方差结构。比如自相关数据用AR(1)：
anova bp time, repeated(time) covariance(ar1)5. 结果解读技巧
输出表格可能让人眼花缭乱，重点看这几个部分：
Source | SS df MS F P>F --------+----------------------------------------- time | 850.2 2 425.1 15.34 0.0000 drug | 123.4 1 123.4 4.45 0.0360 time#drug | 231.7 2 115.85 4.18 0.0190- 模型总体：看最上方模型的P值，小于0.05说明至少有一个效应显著
- 主效应：time的P=0.0000说明血压随时间显著变化
- 交互作用：time#drug的P=0.019表明药物效果随时间变化趋势不同
效应量也很重要，可以计算偏η²：
偏η² = 效应SS / (效应SS + 误差SS)比如time的效应量=850.2/(850.2+误差SS)
6. 常见问题解决方案
问题1：缺失值处理重复测量常遇到数据缺失，Stata默认会删除整条记录。可以用mvtest检查缺失模式，必要时用多重插补：
mi set wide mi register imputed bp mi impute mvn bp = group time, add(5)问题2：违反球形假设这时要看校正后的结果：
Greenhouse-Geisser epsilon = 0.823 Huynh-Feldt epsilon = 0.912应该用GG校正的P值，或者改用混合效应模型。
问题3：多重比较时间点两两比较需要用Bonferroni校正：
pwcompare time, mcompare(bonferroni)7. 高级应用技巧
对于多结局变量，可以用manova：
manova bp1 bp2 bp3 = group想分析非线性趋势时，加入多项式项：
anova bp c.time##c.time group, repeated(time)更灵活的方法是混合效应模型，特别适合非平衡数据：
mixed bp time##drug || id:, reml covariance(unstructured)8. 学习资源与路径
刚开始学Stata时，我花了两周才搞懂重复测量分析。现在回头看，如果有系统教程会快很多。《Stata统计分析从入门到精通》的重复测量章节就讲得很透彻，配合书中的临床案例，理解起来容易多了。
对于想深入掌握的同学，建议按照这个路线学习：
- 先掌握基础命令语法
- 理解各种数据格式转换
- 熟练进行假设检验
- 学习结果可视化（比如边际效应图）
- 最后攻克混合效应模型
实际操作中，我习惯把每个分析步骤写成do文件，包括数据检查、格式转换、假设检验、主分析、事后检验等。这样既方便复查，也利于后续研究重复使用。