Я не думаю, що ви можете легко зробити те, що хочете зробити з RM-ANOVA, оскільки кількість повторень не однакове для всіх предметів. Запустити моделі із змішаними ефектами дуже просто в Р. Насправді, вклавши трохи часу для вивчення основ та команд, це відкриє вам багато можливостей. Я також вважаю, що змішане моделювання набагато простіше у використанні та гнучкіше, і майже ніколи не потрібно робити RM-ANOVA безпосередньо. Нарешті, врахуйте, що при змішаному моделюванні ви також можете врахувати структуру коваріації залишків (RM-ANOVA просто передбачає діагональну структуру), що може бути важливим для багатьох застосувань.
Є два основні пакети для лінійного змішаного моделювання в R: nlmeі lme4. В lme4пакетах є більш сучасними один , який відмінно підходить для великих наборів даних , а також для випадків , ви маєте справу з кластерними даними. Nlmeє старішим пакетом і здебільшого застаріло на користь lme4. Однак для повторних проектів заходів це все-таки краще, ніж lme4оскільки nlmeдозволяє лише моделювати структуру коваріації залишків. Основний синтаксис nlmeдуже простий. Наприклад:
fit.1 <- lme(dv ~ x + t, random=~1|subject, cor=corCompSymm())
Тут я моделюю залежність між залежною змінною dvта фактором xта пов'язаним із часом коеваріатом t. Subjectє випадковим ефектом, і я використав складну структуру симетрії для коваріації залишків. Тепер ви можете легко отримати сумнозвісні p-значення:
anova(fit.1)
Нарешті, я можу запропонувати вам прочитати більше про nlme, скориставшись її остаточним посібником, моделями змішаних ефектів у S та S-Plus . Ще однією хорошою орієнтиром для початківців є лінійні змішані моделі - практичний посібник із використанням статистичного програмного забезпечення, який збирає безліч прикладів різних застосувань змішаного моделювання з кодом в R, SAS, SPSS тощо.