企业官网建设流程全解析

做统计分析这些年，Stata是我用得最顺手的工具之一，而重复测量方差分析（Repeated Measures ANOVA）又是实证研究中需求极高、但很多人概念都搞混的一类方法。每次在后台收到“同一批人测了三次，该怎么比较”“干预前后测了两轮，直接t检验行不行”这类的留言，我就知道又有人踩进了统计分析里最容易翻车的设计场景。

这篇文章我打算彻底讲透重复测量方差分析：从它到底是什么、解决什么问题，到什么时候该用、什么时候该换方法，再到Stata里怎么写命令、怎么看输出、怎么做事后检验，最后把实操中踩过的坑和零基础小白入门Stata的学习路径也一并整理出来。不管你是硕士博士、临床科研人员、社科研究者，还是自学统计的爱好者，只要耐心读下去，拿自己一份数据动手跑一遍，大概率就能把这块硬骨头啃下来。

1. 重复测量方差分析是什么：先搞懂它解决的问题

1.1 什么是重复测量数据：用生活化例子讲透

重复测量数据，字面意思就是“同一批对象被重复测量了多次”。注意，这里的关键词是“同一批对象”。举个例子：

• 一组高血压患者分别在治疗前、治疗1个月后、治疗3个月后测定血压
• 20名大学生被要求在三种不同光照条件下完成同一项反应时任务
• 一批运动员接受新的训练方案后，在赛季前、中、后各测一次体能

这三类数据有个共同特征：同一个人的多次测量结果之间一定是有相关性的。如果这个人血压本来就偏高，他三次测的血压大概率都偏高；如果这个人反应快，他在三种光照条件下都会相对更快。也就是说，每条观测值之间并不是互相独立的。

传统独立样本方差分析（ANOVA）要求观测值互相独立，但重复测量数据天然不满足这个前提。如果你无视这一点，直接把所有人的所有时间点数据混在一起做普通的ANOVA，会低估误差、虚高显著性，也就是更容易犯第一类错误。重复测量方差分析之所以被单独拎出来讲，正是因为它专门处理这种“个体内部多次测量”的数据结构。

1.2 原理：方差怎么分？

重复测量方差分析的基本原理并不复杂，核心思想是“把方差得体地拆开”。它把总变异拆成三大部分：

1. 组间变异（between-subjects variation）：由被试个体之间本身的差异造成的变异。
2. 组内变异（within-subjects variation）：同一被试内部在多次测量之间的变异，这里又可以进一步拆成时间（或条件）带来的系统效应和随机误差。
3. 误差变异（error variation）：排除个体差异和时间效应后剩下的随机波动。

为什么要这样拆？因为把个体差异从误差中“剔”出来之后，剩下的误差会更小，检验处理效应（比如时间变化、干预效果）时的统计检验力就更高。这就像用体重秤称重时先去掉皮重——干扰因素减少了，称出来的差值才更接近真实。

一个通俗的类比：假设你和我各跑了三次100米，你想比较我俩的成绩。如果完全忽略“选手”这个因素，把所有6次成绩混在一起，组内差异会被个人水平的波动污染；如果用重复测量的思路，先把“你这人的平均速度”和“我这人的平均速度”估计出来，再把每次成绩与个人平均水平的偏差拿出来比较，剩下来的变异就纯粹是“临场发挥”加工“测量误差”，此时检验两个人是否有差异会更灵敏。

从矩阵角度看，重复测量方差分析还隐含一个重要假设——球形假设（sphericity），即各次测量之间差分的方差近似相等。如果违反球形假设，标准F检验会偏激进，需要采用Greenhouse-Geisser或Huynh-Feldt校正后的P值。这些在Stata输出里会自动呈现，后面在第3、5节我会详细说。

2. 什么时候该用重复测量方差分析：适用情形与边界判断

2.1 典型适用场景：你手里那套数据行不行？

判断一项研究是否适合用重复测量方差分析，可以从三个维度来评估。

第一个维度是测量次数。你必须拥有同一个体在至少两个水平上的测量数据，通常建议至少三个水平。如果只有两个测量点（比如前测、后测），用配对样本t检验往往更直接，重复测量ANOVA虽也能做，但优势不明显。

第二个维度是数据类型。因变量最好是连续变量，且近似满足正态性。如果因变量是排序等级（比如满意度1-5分），一般建议改用非参数方法或有序逻辑回归；如果是二分类（比如治愈/未治愈），应该考虑广义估计方程或混合效应逻辑回归。

第三个维度是研究设计的类别。重复测量方差分析在以下三种设计中最为常见：

• 纵向追踪设计：同一队列人群在不同时间点随访。比如追踪一群戒烟的年轻人，每隔3个月测量一次心理压力。
• 实验前后设计：干预前后多次测量，常见于临床、运动科学和教育学。比如评估一种新的教学方式，分别在开学初、期中、期末测三次成绩。
• 交叉设计或重复处理设计：同一被试先后接受多种条件或处理。比如药学里经典的A/B交叉试验，同一批受试者先吃A药再吃B药，中间经过洗脱期。

在这些设计里，如果你还有一个组间因素（比如“治疗组 vs 对照组”），这就构成了混合设计。混合设计可以同时检验组间主效应、时间主效应和组×时间交互效应。交互效应往往是最有价值的结果——它直接回答了“两组随时间变化的轨迹是否不同”这个核心问题。

2.2 什么时候不该用它：这些坑必须避开

虽然重复测量方差分析很常用，但并不是所有“多次测量”都适合用它。

第一种需要避开的情况是数据缺失严重。传统重复测量方差分析会优先分析完整案例：如果一个被试缺失了某个时间点，做传统ANOVA时常常被整套剔除，样本量骤降。缺失比例较高时，建议改用线性混合模型（mixed-effects model），它能够充分利用部分观测数据。

第二种是结构不满足球形假设且样本量较小。当时间点较多（比如5个以上）时，球形假设往往难以保证，而样本量又不大时，epsilon校正可能调整不足。此时可以考虑多变量方差分析（MANOVA），或直接使用混合模型，后者不依赖球形假设。

第三种是因变量严重偏离正态。重复测量ANOVA对正态性有一定要求，严重偏态的数据使用参数方法会歪曲结果。可以先尝试数据变换，比如对数变换或Box-Cox变换；如果依然不行，就用Friedman检验这种非参数替代方法。

这张表几乎覆盖了实证研究中90%的常见场景，你可以直接对照自己的数据结构选方案。

3. Stata操作命令一步一步来：从数据整理到结果输出

3.1 数据格式准备：宽格式还是长格式？

在Stata里做重复测量方差分析，第一关就是数据格式。新手最常见的报错，十有八九是数据结构不对。

Stata中有两类与重复测量相关的数据格式：

• 宽格式（wide）：每个被试占一行，每个时间点是一个变量。例如 id、group、t1、t2、t3。
• 长格式（long）：每个被试的每个时间点各占一行。例如 id、group、time、y。

传统的anova命令配合repeated()选项在操作时对数据格式有一定要求，官方示例通常用的是单因变量加组内因素的长格式；而mixed命令也强烈建议使用长格式。为了通用，掌握reshape命令的转换逻辑很重要。

假设现在你拿到一份宽格式数据，变量有id、group、t1、t2、t3，转成长格式的命令如下：

* 宽转长 reshape long t, i(id) j(time) rename t y

转换完成后，用list id group time y in 1/12快速检查数据结构。如果每个id出现三行，每行的time分别为1、2、3，说明转换正确。

如果你手里是长格式、需要宽格式做某些图形展示，反向操作是：

* 长转宽 reshape wide y, i(id) j(time)

这里一定要记住，i()里填被试唯一标识，j()里填重复测量的标识变量。很多人第一次用reshape会把它搞反，结果数据变成一团乱麻，后续分析全崩。

3.2 命令全流程：一个可复现的例子

下面我用一份模拟数据，演示在Stata中完成一次完整的重复测量方差分析。场景设定是：30名高血压受试者随机分为两组（group=1为对照组，group=2为治疗组），在服药前、服药1个月后、服药3个月后分别测定血压。

* 清空内存并设定随机种子 clear set seed 2024 * 生成30名受试者 set obs 30 gen id = _n * 随机分组：前15人为对照组，后15人为治疗组 gen group = cond(_n > 15, 2, 1) * 生成3个时间点的血压值（宽格式） * 对照组平均血压稳定在120附近，治疗组逐渐下降 gen t1 = rnormal(120, 10) + 20 * (group == 2) gen t2 = rnormal(118, 10) + 10 * (group == 2) gen t3 = rnormal(115, 10) - 5 * (group == 2) * 宽转长 reshape long t, i(id) j(time) rename t y * 对分组变量编码为因子 encode group, gen(group_f)

这里故意在t1上加了20*(group==2)来制造基线差异，只是为了演示代码结构，实际研究中还是要保证随机化分组尽可能平衡基线水平。

接下来，执行传统的重复测量方差分析：

* 传统重复测量方差分析（组间因素group_f + 组内因素time） anova y group_f time group_f#time / id|group_f, repeated(time)

这条命令的关键在于，斜杠右边是误差项，id|group_f表示被试嵌套在分组中，符合混合设计的方差分解逻辑。输出里会出现三部分信息：组间效应、组内效应、以及球形假设检验与校正结果。

如果你更希望用现代方法、并且不执着于报告球形检验，推荐用mixed命令：

* 方法二：线性混合模型 mixed y group_f##i.time || id:, reml

mixed模型的好处是：即使数据有少量缺失，也不会把一个被试的所有记录都删掉；它不要求球形假设；还能自由扩展随机效应结构。当前很多统计课程和期刊开始接受这种分析方式，因为它更灵活，也更能真实反映数据的层次结构。

3.3 交互效应的可视化与边际效应

跑完mixed之后，不要只盯着交互项的P值看，配合画图才更有说服力。Stata里的margins和marginsplot是可视化交互效应的利器：

* 拟合模型 mixed y group_f##i.time || id:, reml * 估计各时间点上两组的调整均值 margins group_f, at(time=(1(1)3)) * 画交互作用图 marginsplot

画出来的图形常常是一条剪刀差形状的两条折线。如果两条折线明显分离或者走向相反，即便交互项P值只是边缘显著，图形本身对你向同行解释研究发现也很有帮助。期刊论文里放一张这样的交互效应图，审稿人通常不会再在这个环节挑刺。

4. 结果解读：Stata输出表格怎么看

4.1 关键输出指标：先看交互，再看主效应

跑完mixed后，Stata输出分成几个部分：观测值信息、模型拟合统计量（对数似然、AIC、BIC等）、随机效应方差、固定效应检验表。

最核心的是固定效应表，里面包含四行最值得关注：

• 组间主效应（group_f）：检验两组在总体平均水平上是否有差异。
• 时间主效应（time）：检验三个时间点整体上是否存在差异。
• 组×时间交互效应（group_f#time）：检验两组在不同时间点的变化趋势是否不同。
• 常数项（_cons）：整体截距，通常不需要过度解读。

表格中每个效应都有F值、自由度、P值。判断规则很简单：P<0.05则认为该效应具有统计学显著性。但顺序上要记牢：如果交互效应显著，主效应的解读就要谨慎。比如交互显著说明“两组随时间变化的方式不同”，这时候单纯说“时间主效应显著”意义就不大了，因为整体趋势被两组的差异模式掩盖了。

如果跑的是传统anova+repeated(time)，输出里还会额外出现：

• Mauchly's test for sphericity：球形假设检验。若P<0.05，说明球形假设被违反。
• Greenhouse-Geisser epsilon（GG系数）
• Huynh-Feldt epsilon（HF系数）

当Mauchly检验P<0.05时，应当读取GG或HF校正后的P值。校正后的P值会比未校正的更大，这是为了控制第一类错误率，是正确做法，不要觉得“校正后不显著了”就失落，这恰恰说明原始结果可能是假阳性。

4.2 事后检验与效应量：论文写作绕不开的两件事

当主效应或交互效应显著时，通常需要进一步做多重比较，确定具体是哪些时间点之间、哪些组之间存在差异。

如果你用的是mixed模型，事后两两比较可以用：

* 先拟合模型 mixed y group_f##i.time || id:, reml * 对时间主效应做多重比较（bonferroni校正） margins time, pwcompare(effects) mcompare(bonferroni) * 如果要看交互：在不同时间点上比较组间差异 margins group_f, at(time=(1(1)3)) pwcompare(effects) mcompare(sidak)

第一条margins time会输出三组时间之间的两两差异、标准误、P值和校正后的置信区间。第二条则在每个时间点上比较治疗组和对照组的差异，回答“治疗组在哪个时间点开始起效”这类问题。校正方法的选择没有绝对标准，bonferroni偏保守，sidak稍宽松一点，报告中注明即可。

效应量方面，重复测量方差分析中最常报告的是偏eta平方（partial eta-squared）。用estat esize拿到：

mixed y group_f##i.time || id:, reml estat esize

常见的判断经验是：partial eta-squared在0.01~0.06之间算小效应，0.06~0.14算中等效应，0.14以上算大效应。这几个阈值源自Cohen（1988）的经验建议。值得一提的是，不同学科的效应量习惯不一样，报告时最好说出自己采用的判断标准，方便读者理解。

5. 操作注意事项与常见坑：实测中总结的避坑指南

5.1 球形假设：最被教科书强调、实操中最容易忽略

球形假设是重复测量方差分析里绕不开的话题。简单理解：它要求任意两次测量之间差值的方差大致相同。比如你的三个时间点得分，t2-t1的方差、t3-t2的方差、t3-t1的方差，三者要接近。

为什么这个假设重要？因为在传统重复测量ANOVA中，组内均方的误差计算是“汇总”的，如果各差值的方差不一致，汇总误差就会偏离真实情况，导致F检验的P值偏小、更容易犯第一类错误。

现实中，时间跨度越长、测量次数越多，球形假设越容易被违反。高年级纵向队列数据（比如随访5个时间点）中，违反球形几乎成为常态。所以当你看到Stata输出中Mauchly检验的P值小于0.05时，别慌。要么采用GG或HF校正后的P值，要么直接改用mixed模型——混合模型通过直接建模随机效应结构来规避球形假设的约束，是更省心的选择。

5.2 缺失数据、离群值与随机效应结构

实操中还有一个很现实的问题：随访数据十有八九有缺失。有人搬家了没来测，有仪器故障测不成，也有人半途退出。

传统anova+repeated()在处理缺失时非常“粗暴”：只要有一个时间点缺失，整个被试的所有观测都会被剔除。如果缺失比例超过10%，样本量损失就很可观，检验力随之下降。

mixed命令则温和得多。它允许拥有至少一次观测记录的被试进入模型，这在纵向研究中几乎是救命稻草。不过要注意，mixed对缺失处理隐含的假设是数据缺失随机（MAR），也就是缺失与否和未观测到的结果本身无关。如果这个假设不成立，即使使用混合模型也需要谨慎解释结论，最好做敏感性分析。

离群值对重复测量方差分析的影响同样不可忽视。跑模型之前，建议先画箱线图检查：

graph box y, over(time) by(group_f)

如果发现极端离群值，不要急着删。先回溯原始记录判断是否录入错误；如果是，修正；如果不是，考虑采用稳健标准误或对数据进行对数变换。直接把离群值“处理掉”而不留下记录，是对数据的不尊重。

5.3 随机效应结构：别只会写|| id:

用mixed时，随机效应的设定真的非常重要。我在实际教学中见过太多人默认用|| id:做随机截距，却没想过这样是否足够。

标准重复测量设计中，每个被试的多次测量共享一个随机截距，描述的是“这个人整体的水平比平均高还是低”。但有些情况下，不仅个体平均水平不同，个体随时间的变化趋势也可能不同。比如有人治疗效果好、血压一路下行，有人治疗反应差、血压反而上升。这时就需要考虑随机斜率：

* 随机截距 + 随机斜率 mixed y group_f##i.time || id: time, reml

加了随机斜率后，模型的参数数量增加，但能更真实地捕捉个体异质性。是否该加随机斜率，可以用似然比检验来判断：

* 先拟合随机截距模型 mixed y group_f##i.time || id:, reml estimates store m1 * 再拟合随机截距+随机斜率模型 mixed y group_f##i.time || id: time, reml estimates store m2 * 似然比检验 lrtest m1 m2

如果似然比检验P<0.05，说明加入随机斜率显著改善了模型拟合，应该保留随机斜率。这一步很多人会跳过，但跳过之后，模型可能因为随机效应设定不足而产生偏倚的参数估计。

6. 零基础小白入门Stata统计学/计量经济学学习路径

6.1 第一步：安装、注册与界面认识

很多人一上来就到处搜“Stata下载”，我统一建议是：从Stata官方网站申请试用版，或者通过所在学校、机构的授权获取完整许可。正版Stata提供多种授权类型：无时间限制的永久版、年度订阅版等，学生版价格也比较友好。安装完成后，打开软件会看到五个区域：

• 命令窗口（Command）：输入命令、回车执行。
• 结果窗口（Results）：显示命令执行后的输出结果。
• 变量窗口（Variables）：列出当前数据集中的所有变量。
• 属性窗口（Properties）：显示选中变量的详细属性。
• 历史记录窗口（Review）：记录本session执行过的所有命令。

新手最友好的操作方式是“命令窗口 + do文件”。do文件相当于一个文本脚本，你可以把要执行的多条命令写进去，然后再一键运行。它既方便修改，也能完整保存分析过程。建议所有初学者从第一天起就养成“所有操作都写在do文件里”的习惯，而不是在命令窗口里一条条敲——后者一旦关闭窗口，做过什么都很难复原。写论文的时候，一份规范do文件也是“可复现研究”的重要部分。

6.2 学习路线与资源推荐：三个月从零到能跑回归

下面这条三个月学习路径，是我带过几批零基础学员后逐步定型的，你可以直接照抄：

第一周：熟悉界面、掌握数据导入导出。重点学import excel、use、save、export excel等命令。遇到不懂的命令，直接输入help 命令名查看官方帮助。

第二周到第三周：数据清洗与整理。重点学gen生成新变量、rename重命名、label variable添加变量标签、label values添加值标签、缺失值处理、duplicates识别重复值。这会占据实际研究里60%的时间，别觉得无聊，省下来的时间后面都会回报你。

第四周到第五周：描述性统计与图形。例如tabstat、summarize、tabulate，以及histogram、boxplot、twoway scatter等作图命令。图形是数据表达的重要载体，也是统计分析的“眼睛”。

第六周到第八周：基础的统计检验。包括ttest做t检验、tabulate做卡方检验、pwcorr做相关分析、regress做线性回归。重点是搞懂P值、置信区间和回归系数的含义，不要只背命令。

第九周到第十二周：进阶分析。从oneway、anova开始，然后进入本文讲的mixed和重复测量方差分析，后续可扩展到协方差分析、逻辑回归等。你需要带着自己手头的一份真实数据去学，每学会一个命令就在数据上试一遍，这样可以做到学以致用。

学习资源方面，我个人亲测有效的是这几个：

• Stata官方帮助文档和PDF手册（help命令永远是最直接的老师）
• UCLA IDRE的Stata教程（免费，结构清楚，例子实用）
• 陈强《计量经济学及Stata应用》
• 连玉君的Stata教学视频
• Stata官方YouTube频道

不建议一开始就啃大部头计量经济学教材。最理想的方式是，你手里有一份真实研究数据，带着问题去学——每学会一个命令，立刻在自己的数据上验证一遍。这样三个月下来，比只读书不实操的人进步快得多。

写到这里，我其实最想跟你分享的不是命令本身，而是动手实践的勇气。重复测量方差分析这个概念初看很吓人，但只要手里有一份自己的数据，哪怕只有十几个人、三个时间点，按文中流程自己跑一遍，输出表格里的那些F、P、epsilons就会迅速变得亲切起来。

我个人在这些年的重复测量分析实操中体会最深的一点是：不要一味迷信“教科书默认选项”，一定要先理解自己数据的结构和缺失情况，再决定用传统anova还是mixed模型。数据模型是为研究问题服务的，不是反过来被某种方法绑架。如果你刚开始接触Stata，就把今天的内容当作一张地图，碰到命令就查、碰到报错就debug，多试几次就能跑出自己满意的结果。祝你的数据分析顺利，有具体问题欢迎还在评论区留言交流。