重复测量方差分析是线性混合效应模型的一种特殊情况，因为它在线性混合效应模型的“随机效应”部分的结构方面不太灵活，并且它为手头的数据假设了一些进一步的便利.

重复测量方差分析以一般形式开始：

其中索引主题，时间点，是个体在时间的平均值，是 }的一致偏离 -th 个人和是错误。这里的一致意味着在同一个人的（假设的）重复下，y_的平均值为。在 LME 的背景下，这就是人们所说的条件平均响应。$i$$j$$\mu_{ij}$$j$$i$$\pi_{ij}$$y_{ij}$$\mu_{ij}$$i$$\epsilon_{ij}$$y_{ij}$$\mu_{ij} + \pi_{ij}$

这很好，但从“随机效应”部分来看，重复测量方差分析假设响应变量的分布具有复合对称性。这意味着所有响应变量具有相等的方差，并且每对响应变量具有共同的相关性。（这与球形度的概念密切相关- 从理论上讲，您只需要球形度而不是 CS，但如果没有CS.Huynh & Feldt，1970，JASA， （非常）很难获得球形度）。另一方面，引用戴维斯，2002 年的章节。6：“重复测量的线性混合模型方法将分析视为具有相关误差的响应的单变量回归分析。“在这方面，相关性可以是许多不同的结构，Toepliz、AR(1)、复合对称（如上）、随机截距和斜率等。您可以“毫无”地混合不同的误差源（例如，甚至aov文档说即“如果有两个或多个错误层，则使用的方法在没有平衡的情况下在统计上是低效的，最好lme在包nlme中使用......”）。最后，来到便利部分：重复测量 ANOVA 模型不能： 1. 实验单元之间在观察次数和时间方面存在差异。 2. 处理缺失数据或 3. 时间相关协变量。这些好东西仅带有线性混合模型。