1 基本概念
1.1 定义与内涵
多测量向量是指同一研究对象在多个时间点、多个条件或多个测量指标上被反复观测后形成的一组联合数据。与只关注单次观测不同，这类数据把“同一对象内部的连续记录”视为一个整体，强调各次测量之间并非彼此独立，而是存在稳定的相关关系。
在统计分析中，多测量向量常用来描述变化过程，例如某项指标随时间的升降、不同处理条件下的响应差异，或多个相关生理量的同步波动。其核心问题通常不是单个数值本身，而是这些数值在重复结构中的组合方式及其变化规律。
1.1.1 多次观测的共同特征
多次观测通常具有对象相同、测量重复、条件可比三个特征。也就是说，观测值来自同一人、同一设备或同一实验单位，并且记录发生在不同时间点或不同情境下。
这些观测往往共享背景条件，因此彼此之间会表现出一定程度的相关性。例如，某位受试者前后两次测试成绩通常比不同受试者之间的成绩更接近。这种“个体内相似性”是多测量向量最重要的结构特征之一。
1.1.2 向量化表示方式
从表达上看，多次观测可以整理为一个向量，即把同一对象在各次测量中的数值依次排列。若每个对象有 \(p\) 次观测，则可表示为长度为 \(p\) 的向量。
这种写法便于比较不同对象的整体模式，也便于后续引入矩阵、协方差和模型参数。若研究对象较多，所有对象的向量可以进一步组成矩阵，形成标准化的数据结构。
1.2 与相关统计概念的区别
多测量向量与一般的独立样本数据、单变量重复测量以及多变量分析都有关联，但关注重点不同。它既包含重复测量的时间或条件维度，也包含多维联合分析的思想，因此常被视为连接多个统计领域的交叉数据类型。
1.2.1 与独立样本数据的区别
独立样本数据要求各观测之间互不影响，例如来自不同个体的单次测量。多测量向量则相反，同一对象的多次记录天然相关，不能直接当作独立样本处理。
如果忽视这种相关性，往往会低估误差、夸大显著性，导致结论偏乐观。因此在分析时需要专门方法处理组内依赖关系，而不能简单套用普通独立样本检验。
1.2.2 与单变量重复测量的区别
单变量重复测量通常只考察一个指标在不同时间点的变化，如血压的多次追踪。多测量向量的范围更广，除了时间重复，还可包含多个相关指标、多个条件水平或多种测量维度。
换言之，单变量重复测量更像是多测量向量的一种特例。后者在结构上更复杂，往往需要同时处理多个响应分量及其相互关系。
1.2.3 与多变量分析的联系
多测量向量与多变量分析之间联系紧密，因为两者都需要处理多个变量之间的相关性。不同之处在于，多变量分析常把多个变量视为同一时点上的并列指标，而多测量向量更强调这些变量来源于重复观测过程。
因此，多测量向量既可借助多变量统计的联合建模思路，也可融入重复测量的时序特征。实际应用中，两类方法经常交叉使用。
1.3 应用场景
多测量向量广泛出现在需要追踪变化或比较过程的研究中。只要观测对象在多个时点、多个条件或多个指标上被反复记录，就可能形成这类数据结构。
1.3.1 医学与临床随访
在医学研究中，常见对象包括体温、血压、心率、血糖、肿瘤标志物等随访指标。通过多次测量，可以观察治疗前后变化、病程发展趋势以及不同方案的差异。
临床随访数据往往带有缺失、间隔不等和个体差异较大的特点，因此特别适合使用能处理相关结构的统计模型。
1.3.2 教育与心理测量
在教育评估中，学生的成绩、能力水平或学习行为常被多次记录，以考察干预措施的效果。心理测量中也常通过多轮问卷或实验任务分析情绪、注意力或认知表现的变化。
这类数据除了关注平均水平，也常关注成长轨迹、学习曲线和个体差异。
1.3.3 工程与质量监控
在工业与工程场景中，同一产品、同一设备或同一工艺参数会在不同批次、不同工况下反复测量。借助多测量向量，可以评估稳定性、漂移趋势和工艺一致性。
质量监控中常把这类数据用于识别异常波动、过程失控或批次间偏差。
2 数据结构与表示
2.1 观测矩阵与数据表
多测量向量通常以表格或矩阵形式整理。行一般对应研究对象，列一般对应不同时间点、条件或变量。这样的结构清晰、便于建模，也适合计算机处理。
2.1.1 行列组织方式
最常见的组织方式是“对象为行、测量为列”。例如，若有若干受试者在四个时点被测量，则每行对应一名受试者，每列对应一个时点的数值。
另一种方式是长格式数据，即每一行只存储一次观测，同时记录对象编号、时间点和测量值。长格式更适合混合模型和广义估计方程等方法。
2.1.2 缺失值与不平衡结构
实际数据中，不同对象的测量次数并不总是完全一致，有时还会出现缺失值。此时数据结构就会变得不平衡，即某些对象少测几次，某些对象则记录完整。
不平衡结构在重复测量研究中十分常见，处理时需要考虑缺失机制和模型适配性，不能简单删去全部不完整个案。
2.2 变量维度与重复维度
多测量向量通常至少涉及一个重复维度和一个变量维度。前者描述测量发生的顺序或条件，后者描述被测对象的不同属性或响应。
2.2.1 时间维度
时间维度是最常见的重复维度，表示同一对象在不同时间点的观测值。时间可以是等间隔的，也可以是不等间隔的，后者更接近真实研究场景。
当时间维度存在时，分析重点往往包括变化趋势、增长曲线以及是否存在阶段性转折。
2.2.2 条件维度
条件维度指在不同实验条件、处理方案或任务情境下重复测量同一对象。比如同一个人分别在安静、噪声和干扰条件下完成测试，即构成条件重复。
这种结构常用于比较不同环境对同一对象的影响，并检测条件之间是否存在交互作用。
2.2.3 个体维度
个体维度是数据组织的基础单元。每个对象都有自己的重复观测序列，这些序列之间可比较，但不应视为完全相同。
个体维度的存在意味着模型不仅要解释总体平均趋势，还要考虑对象之间的差异。
2.3 典型记号
在理论表达中，多测量向量常借助向量、矩阵或张量记号表示，以便简洁地描述结构和关系。
2.3.1 向量记号
若某对象在 \(p\) 次测量中的结果依次为 \(y_1, y_2, \dots, y_p\)，可写为一个向量： \[ \mathbf{y}=(y_1,y_2,\dots,y_p)^\top \] 这种表示适合强调单个对象内部的联合观测。
2.3.2 矩阵记号
当有 \(n\) 个对象时，所有观测值可排成 \(n \times p\) 的矩阵。矩阵的每一行代表一个对象，每一列代表一个测量时点或条件。
矩阵写法有助于讨论整体均值、协方差结构及模型估计。
2.3.3 张量化表达
如果同时存在时间、条件和指标等多个重复维度，单纯的二维矩阵可能不足以完整表达数据结构。此时可用张量表示，将不同维度分别对应为不同轴。
张量化表达在高维重复测量中更有优势，尤其适合需要保留多重结构关系的场景。
3 统计特征
3.1 个体内相关性
多测量向量最突出的统计特征是个体内相关性，即同一对象的多次观测通常彼此关联。这种关联会影响均值估计、方差估计以及检验结果。
3.1.1 自相关与序列相关
当测量值按时间顺序排列时，前后相邻观测之间常具有自相关或序列相关。若某时点的值较高，下一时点也可能偏高，这种趋势在连续追踪数据中尤为常见。
序列相关的强弱会影响模型对时间变化的判断，因此分析时往往需要考虑滞后效应或相关结构。
3.1.2 协方差结构
协方差结构描述的是不同测量之间如何共同变化。若两个时间点越接近，观测值越相似，则其协方差通常较大；若相隔较远，相关性可能减弱。
常见结构包括复合对称、AR(1)型和非结构化协方差等。不同结构会直接影响参数估计与推断效率。
3.2 均值结构
均值结构关注的是各测量时点或各条件下的平均水平如何变化。它是重复测量研究中最直观的分析对象之一。
3.2.1 组内均值变化
同一组对象在不同时间或条件下的平均值变化，常用于判断干预效果或自然演变趋势。若均值持续上升或下降，说明存在系统性变化，而非随机波动。
组内均值变化有时会表现出阶段性特征，例如前期快速变化、后期趋于平稳。
3.2.2 时间趋势与轨迹
时间趋势描述均值随时间推进的方向和速率。轨迹则更强调变化路径本身，关注曲线是否线性、是否存在拐点、是否出现峰值或平台期。
在实际研究中，不同个体的轨迹可能形状相似但高度不同，也可能路径各异，这些差别都具有分析价值。
3.3 方差结构
方差结构反映测量波动的大小及其随时间或条件变化的方式。它决定了数据的不确定性形式，也是模型设定的重要部分。
3.3.1 同方差与异方差
若各测量点的波动程度相近，可视为同方差；若不同时间点或不同条件下的方差明显不同，则属于异方差。
异方差在随访研究和成长数据中较常见，例如早期波动较大、后期趋于稳定。若忽略这种变化，模型标准误可能不准确。
3.3.2 误差项的相关性
重复测量中的误差项往往不是独立的，而是带有一定相关性。这意味着一个时点的随机偏差可能影响后续时点。
误差相关性若处理得当，可提高估计效率；若处理不当，则可能导致显著性判断失真。
4 常用分析方法
4.1 重复测量方差分析
重复测量方差分析是处理多测量向量的经典方法之一，适用于比较不同时间点或条件下的均值差异。它能够同时考虑组内重复与组间差异。
4.1.1 主效应检验
主效应检验用于判断某一因素整体上是否影响响应变量，例如时间是否显著改变均值，或处理方案是否带来总体差异。
若主效应显著，说明该因素对结果具有稳定影响。
4.1.2 交互效应检验
交互效应检验用于考察不同因素之间是否存在联合影响。例如，不同组别在不同时间点的变化幅度是否不同。
交互显著时，通常意味着各组轨迹不一致，需要进一步分层解释。
4.1.3 球形性假设
球形性是假设重复测量之间差异方差相等的一种条件，常见于方差分析框架。该假设若不成立，检验统计量可能偏离理论分布。
因此在使用该方法时，通常需要先检查球形性，再决定是否进行修正。
4.2 线性混合模型
线性混合模型是处理重复测量数据的灵活工具，特别适合存在缺失、不平衡或复杂相关结构的情形。它把总体趋势和个体差异同时纳入模型。
4.2.1 固定效应
固定效应用于描述总体平均层面的影响，如时间、组别或处理条件对结果的系统作用。它回答的是“平均上是否有差别”这一类问题。
4.2.2 随机效应
随机效应用于刻画个体之间的差异，例如不同对象的起始水平不同、增长速度不同。它能更真实地反映数据中的层次性。
4.2.3 协方差结构设定
混合模型允许灵活指定协方差结构，以适应不同类型的相关性。常见做法包括为随机截距、随机斜率或残差相关分别设定结构。
合理的结构设定有助于提高拟合精度，并使结果更符合数据实际。
4.3 广义估计方程
广义估计方程主要用于关注总体平均效应的重复测量分析，特别适合结局变量不是正态连续型的情况。它强调边际平均而非个体特定轨迹。
4.3.1 平均模型
平均模型描述的是总体水平随解释变量变化的规律。它不一定详细建模每个个体的随机差异，但能较稳健地估计群体平均效应。
4.3.2 稳健标准误
广义估计方程常配合稳健标准误使用，以减弱协方差设定不完全准确带来的影响。这样即使相关结构近似设定，也能得到较可靠的推断。
4.4 多元方差分析
多元方差分析可用于同时检验多个相关响应变量的差异，适合多测量向量中多个指标并列出现的场景。它从联合分布角度考察整体效应。
4.4.1 联合检验
联合检验将多个维度的变化综合起来判断因素是否显著。与逐项检验相比，它能更全面地反映总体差异，减少只看单个指标而遗漏整体信息的问题。
4.4.2 维度间相关处理
多元方差分析需要考虑各维度之间的相关关系。若维度间相关较强，联合建模通常比逐变量分开分析更有效，也更符合数据结构。
5 模型假设与诊断
5.1 正态性假设
许多重复测量模型默认误差或残差近似正态分布。虽然在大样本下这一要求可适当放宽，但在小样本中仍然较为重要。
5.1.1 残差分布检验
残差分布检验用于检查模型拟合后误差是否大致对称、单峰且无明显异常偏离。常见做法包括图形检查与统计检验结合。
5.1.2 偏态与峰态影响
若残差明显偏态或峰态过高，参数估计的稳定性和显著性判断可能受到影响。必要时可考虑变换变量、改用稳健方法或采用更合适的分布模型。
5.2 球形性与等协方差
在重复测量方差分析中，球形性与等协方差属于较关键的假设条件。它们描述的是各测量间变异关系是否满足特定结构。
5.2.1 球形性检验
球形性检验通常用于判断各重复测量差值的方差是否一致。若检验未通过，说明数据可能不满足传统方差分析的前提。
5.2.2 偏离后的修正方法
当球形性被破坏时，可采用自由度修正、替代协方差结构或改用混合模型等方式处理。这样能避免过度乐观的显著性结论。
5.3 独立性与相关结构
重复测量数据并不要求观测彼此独立，但要求模型对相关结构有合理刻画。只有正确描述组内相关，推断结果才更可信。
5.3.1 组内相关诊断
组内相关诊断用于判断同一对象不同测量点之间的相关模式是否与假设一致。可通过残差图、相关矩阵或拟合比较进行检查。
5.3.2 模型拟合优度评估
模型拟合优度评估用于衡量所选模型对数据的解释程度。常见指标包括信息准则、残差表现以及预测一致性等。
6 估计与推断
6.1 参数估计
参数估计的目标是根据样本数据推断总体中的效应大小和结构参数。在多测量向量分析中，估计过程通常需要同时处理均值与协方差。
6.1.1 最小二乘估计
最小二乘估计通过最小化观测值与模型预测值之间的偏差平方和来确定参数。它形式直观，在一些简单重复测量模型中应用广泛。
6.1.2 最大似然估计
最大似然估计从概率角度出发，选择使当前数据出现可能性最大的参数值。该方法适合复杂模型，并可用于比较不同协方差结构。
6.1.3 限制最大似然估计
限制最大似然估计常用于方差成分与随机效应模型，尤其在估计方差参数时表现较为稳健。它对小样本场景通常较有优势。
6.2 假设检验
假设检验用于判断时间、条件或组别因素是否对结果造成显著影响。其重点在于比较不同条件下的均值、趋势或交互关系。
6.2.1 均值差异检验
均值差异检验用于判断不同时间点或不同条件之间是否存在显著差别。这类检验是重复测量研究中最常见的推断任务之一。
6.2.2 趋势检验
趋势检验关注变化是否呈现线性、二次或更复杂的方向性模式。它比单纯比较各时点均值更强调变化的形态。
6.2.3 组别交互检验
组别交互检验用于判断不同组别在重复测量过程中的变化是否一致。若交互显著，说明组间差异会随时间或条件而改变。
6.3 区间估计
区间估计能够给出参数的不确定范围，比单一点估计更能体现统计结论的稳定性。
6.3.1 均值差的置信区间
均值差的置信区间用于表示两个时间点或两个条件之间差异的可能范围。若区间不跨越零，通常意味着差异具有统计学意义。
6.3.2 轨迹效应的置信区间
轨迹效应的置信区间用于评估变化趋势的大小及其不确定性。它可帮助判断增长、下降或平台效应是否稳定存在。
7 实务中的数据问题
7.1 缺失数据处理
重复测量数据常因失访、设备故障或填写不完整而出现缺失。缺失处理是否得当，往往直接影响结论质量。
7.1.1 完全案例分析
完全案例分析只保留记录完整的对象，优点是方法简单，但容易损失样本量，并在缺失并非随机时引入偏差。
7.1.2 插补方法
插补方法通过估计缺失值来保留更多信息，常见做法包括均值插补、多重插补等。不同方法对结果的影响程度不一，需要结合研究背景选择。
7.1.3 似然方法处理缺失
似然方法可以在一定假设下直接利用不完整数据进行参数估计，通常比简单删除更有效。它特别适用于混合模型框架。
7.2 异常值与离群点
异常值可能来自录入错误、测量误差或真实但罕见的个体反应。它们在重复测量中会影响整体轨迹和方差估计。
7.2.1 单次异常观测
单次异常观测是指某个对象在某一个时点出现明显偏离的数值。处理时需先判断是否属于录入问题，再决定是否修正或保留。
7.2.2 个体级异常模式
有些异常并非单点出现，而是某个对象的整体轨迹都与多数人不同。此类模式有时反映特殊个体，也可能提示模型不适配。
7.3 样本量与功效
样本量和测量次数都会影响分析的检验能力。重复测量因同一对象被多次记录，往往比单次观测更有效率，但这并不意味着可无限减少样本。
7.3.1 功效分析
功效分析用于在研究设计阶段估计检验某种效应所需的样本规模。它应综合考虑效应大小、测量次数、相关程度和显著性水平。
7.3.2 重复次数对检验力的影响
在一定范围内，增加重复次数通常会提高检验力，因为更多观测可更清楚地呈现变化趋势。但若重复之间高度相关，边际收益会逐渐减弱。
8 结果解释与报告
8.1 效应量
仅报告显著性往往不足以说明结果的重要性，因此效应量在重复测量研究中尤为关键。它能够帮助理解变化幅度的实际意义。
8.1.1 部分η平方
部分η平方是方差分析中常见的效应量指标，表示某因素解释的变异比例。它常用于比较不同主效应或交互效应的强弱。
8.1.2 标准化效应指标
标准化效应指标可把不同量纲的结果放在同一尺度下比较，便于跨研究或跨变量解读。常见做法包括标准化均差等。
8.2 结果可视化
图形展示有助于直观呈现多测量向量中的趋势、差异和不确定性。对于重复测量数据，图形往往比单纯表格更容易识别模式。
8.2.1 轨迹图
轨迹图展示各组或各个体随时间变化的路径，适合观察趋势、拐点和波动。它能快速反映重复测量的动态特征。
8.2.2 均值剖面图
均值剖面图将不同组在各时点的平均值连接起来，便于比较组间变化形态。若曲线交叉，往往提示存在交互效应。
8.2.3 误差带图
误差带图在均值曲线周围加入标准误或置信区间范围，可同时呈现中心趋势与不确定性。它比单独曲线更完整。
8.3 研究报告规范
重复测量研究的报告需要清楚交代数据结构、模型选择和假设检验过程，以便读者理解分析依据。
8.3.1 模型设定说明
报告中应说明测量次数、因素设置、协方差结构以及是否包含随机效应。若有缺失或不平衡，也应一并交代处理方式。
8.3.2 假设检验结果报告
结果报告通常包括统计量、自由度、P值和效应量。若进行了修正或替代分析，也应注明采用了何种方法。
8.3.3 统计软件与参数设置
为了提高可重复性，报告应写明所用统计软件、版本及关键参数设置。对于混合模型、插补或贝叶斯分析，这一点尤其重要。
9 相关扩展主题
9.1 多层次数据分析
多测量向量常与多层次数据结构相伴出现，因为重复观测通常嵌套在个体之内，而个体又可能嵌套在群体或机构之中。
9.1.1 个体与群体嵌套结构
嵌套结构指观测值、个体和群体之间存在层级关系。例如学生测验结果嵌套于班级，班级又嵌套于学校。此时需要同时考虑层内与层间差异。
9.1.2 跨层交互
跨层交互是指上层因素会改变下层重复测量的变化模式。例如群体环境可能影响个体随时间的增长速度。该类效应在教育和组织研究中较常见。
9.2 矩阵与张量方法
当重复测量维度增多、变量数目增大时，传统二维表示可能不足以完整表达数据。矩阵与张量方法因此成为重要扩展。
9.2.1 高维重复测量
高维重复测量指变量、时间点或条件很多的情形。此时数据结构更复杂，变量间关系也更密集，分析难度明显增加。
9.2.2 降维与特征提取
降维方法可从大量重复观测中提取少数关键特征，用于简化模型和提高解释性。常见思路包括主成分分析和因子分解等。
9.3 贝叶斯方法
贝叶斯方法为重复测量分析提供了另一种推断框架，可将先验知识与观测数据结合起来，形成后验分布。
9.3.1 先验设定
先验设定用于表达对参数可能取值的事前认识。对于重复测量模型，可对均值、方差或相关结构分别指定先验分布。
9.3.2 后验推断
后验推断通过整合数据和先验信息，得到参数的概率分布。它不仅能给出点估计，还能更自然地描述不确定性和参数之间的联系。