零基础也能懂的Stata重复测量方差分析：用实际医学研究案例手把手教学

医学研究者的Stata重复测量方差分析实战指南：从数据到结论

在临床医学研究中，我们常常需要评估某种干预措施（如新药、治疗方案或康复训练）随时间变化的疗效。这类研究设计通常会对同一组受试者在不同时间点进行多次测量，比如治疗前、治疗后1周、治疗后1个月等时间节点的生理指标记录。这种纵向数据蕴含着宝贵的信息，但也带来了特殊的分析挑战——传统统计方法无法处理同一受试者多次测量值之间的相关性。这就是重复测量方差分析（Repeated Measures ANOVA）大显身手的领域。

1. 研究设计与数据准备

1.1 构建合理的临床研究方案

假设我们正在研究两种降压药物（A药和B药）对高血压患者的长期疗效。研究设计如下：

• 受试者分组：随机将60名患者分为两组，每组30人
• 测量时间点：基线（治疗前）、治疗后2周、4周、8周
• 观测指标：每次随访时测量的收缩压（mmHg）

这种设计在医学研究中非常典型，它能够回答三个关键问题：

1. 血压是否随时间变化（时间效应）？
2. 两种药物的降压效果是否有差异（组间效应）？
3. 药物的降压效果是否随时间变化而不同（时间×组别交互效应）？

1.2 数据格式转换实战

Stata处理重复测量数据有两种常见格式：

将宽格式转换为长格式的Stata命令：

* 假设原始宽格式数据包含变量：id, group, bp_baseline, bp_2w, bp_4w, bp_8w reshape long bp_, i(id group) j(week) string rename bp_ systolic destring week, replace

提示：在实际研究中，建议直接从数据库或电子表格中以长格式录入数据，可以避免后续转换步骤，减少出错概率。

2. 模型假设检验与诊断

2.1 正态性检验的实用方法

虽然重复测量方差分析对正态性的要求相对宽松（主要关注残差的正态性），但在小样本研究中仍需检查。Stata提供了多种检验方法：

* 按组别和时间点分组检验 bysort group week: swilk systolic * 可视化检验 qnorm systolic if group==1 & week==0, title("A组基线血压Q-Q图") graph export qq_a0.png, replace

正态性检验结果解读指南：

• P值>0.05：可认为数据服从正态分布
• P值≤0.05：考虑数据转换或使用非参数方法
• 样本量>30：中心极限定理通常保证结果稳健性

2.2 球形假设检验与应对策略

球形假设是重复测量方差分析特有的前提条件，可通过Mauchly检验评估：

* 安装必要程序包 ssc install moremata, replace ssc install mauchly, replace * 执行球形检验 mauchly systolic if group==1, time(week) // 检验A组的球形假设

当球形假设不满足时（P<0.05），我们有三种校正选择：

1. Greenhouse-Geisser校正：当ε<0.75时推荐使用
2. Huynh-Feldt校正：当ε接近1时更准确
3. 多变量方法：当时间点较少时效果更好

3. 完整分析流程与结果解读

3.1 基础模型构建

让我们从最简单的模型开始，逐步增加复杂度：

* 模型1：仅考虑时间效应 anova systolic week, repeated(week) * 模型2：加入组别主效应 anova systolic week group, repeated(week) * 模型3：完整模型（含交互项） anova systolic week##group, repeated(week)

模型选择策略：

1. 首先检查交互效应是否显著
   • 显著：保留交互项，重点解读交互作用模式
   • 不显著：考虑简化模型，提高统计功效
2. 然后评估主效应
   • 只有在交互效应不显著时，单独解释主效应才有意义

3.2 结果解读与临床意义

假设我们最终模型的输出如下：

Number of obs = 240 R-squared = 0.4231 Root MSE = 8.7634 Adj R-squared = 0.4032 Source | Partial SS df MS F Prob>F -----------+---------------------------------------------------- Model | 12567.4 7 1795.34 23.39 0.0000 week | 8562.3 3 2854.1 37.21 0.0000 group | 1234.5 1 1234.5 16.09 0.0001 week#group | 1570.6 3 523.5 6.82 0.0002 Residual | 17123.8 232 73.8 -----------+---------------------------------------------------- Total | 29691.2 239 124.2 Greenhouse-Geisser epsilon = 0.792 Huynh-Feldt epsilon = 0.853

临床研究报告要点：

1. 时间效应：血压随时间变化显著（F=37.21，P<0.001），需结合描述统计说明变化趋势
2. 组间差异：两组降压效果存在统计学差异（F=16.09，P=0.0001）
3. 交互效应：药物效果随时间变化模式不同（F=6.82，P=0.0002），提示需要分时间点比较

3.3 事后检验与可视化

当发现显著效应后，需要进行更细致的比较：

* 时间点间两两比较（Bonferroni校正） pwcompare week, mcompare(bonferroni) effects * 组间差异在各时间点的比较 margins group, at(week=(0 2 4 8)) pwcompare(effects) * 绘制交互效应图 marginsplot, x(week) plotdimension(group) graph export interaction.png, replace

注意：多重比较校正会增加II类错误风险，当比较次数较多时，考虑使用更灵活的FDR校正方法。

4. 高级技巧与常见问题排查

4.1 缺失数据处理策略

医学研究中难免遇到失访或数据缺失的情况，Stata提供了多种应对方案：

方案对比表：

4.2 模型诊断与验证

确保模型假设得到满足是结果可信的关键：

* 残差分析 predict residuals, residual rvfplot, yline(0) title("残差图") swilk residuals * 影响点检测 predict leverage, leverage list id week systolic if leverage > 4*e(df_m)/e(N)

常见问题排查清单：

• 残差非正态：尝试对数转换或非参数方法
• 方差异质性：考虑使用稳健标准误或混合模型
• 极端值影响：检查数据录入错误或临床合理性

4.3 效应量计算与报告

除了P值，报告效应量能让结果更具临床意义：

* 计算偏η²（Partial Eta-squared） esize, partial(week group week#group) * 计算Cohen's d（组间比较） ttest systolic if week==8, by(group) cohensd

效应量解释指南：

• η²≈0.01：小效应
• η²≈0.06：中等效应
• η²≈0.14：大效应
• 结合临床专业知识判断实际意义

5. 替代方法与扩展应用

当数据严重违反重复测量方差分析假设时，可以考虑这些替代方案：

5.1 混合效应模型

混合模型对球形假设没有要求，且能更好地处理缺失数据：

* 基础混合模型 mixed systolic week##group || id:, reml covariance(unstructured) * 加入随机斜率 mixed systolic week##group || id: week, reml covariance(unstructured)

5.2 非参数方法

对于严重偏离正态的数据，Friedman检验是可靠选择：

* 单组比较 friedman systolic, by(week) id(id) * 多组比较 by group: friedman systolic, by(week) id(id)

5.3 多变量纵向分析

当有多个相关结局变量时，MANOVA可能更合适：

* 假设我们还测量了舒张压(diastolic) manova systolic diastolic = week##group

在实际分析中，我发现将重复测量方差分析与简单折线图结合展示，能最有效地向临床同事传达研究发现。例如，使用marginsplot生成的交互效应图配合关键统计指标，往往比单纯的数字表格更有说服力。对于刚接触Stata的研究者，建议从最基本的模型开始，逐步增加复杂度，并在每个步骤检查模型假设和拟合优度。