使用回归模型（LM、LMER）重复测量方差分析

我想使用回归模型而不是“方差分析”在 R 中运行重复测量方差分析（AOV） 功能。

以下是我的 3 个受试者内因素的 AOV 代码示例：

m.aov<-aov(measure~(task*region*actiontype) + Error(subject/(task*region*actiontype)),data)  

有人可以给我使用回归模型运行相同分析的确切语法吗？我想确保尊重残差的独立性，即使用与 AOV 一样的特定误差项。

在上一篇文章中，我读到了以下类型的答案：

lmer(DV ~ 1 + IV1*IV2*IV3 + (IV1*IV2*IV3|Subject), dataset))

我真的不确定这个解决方案，因为它仍然将变量视为受试者之间的变量，而且我不明白添加随机因素会如何改变这一点。

有人知道如何使用 lm/lmer 考虑剩余独立性来运行重复测量方差分析吗？

非常感谢， 索勒内

我在这里有一些更详细的工作示例：https://keithlohse.github.io/mixed_effects_models/lohse_MER_chapter_02.html https://keithlohse.github.io/mixed_effects_models/lohse_MER_chapter_02.html

但是，如果您想获得与方差分析同源的混合模型，您可以包含每个主题的随机截距：因子与您的主题内因素。例如。，

aov(DV~W1*W2*W3 + Error(SUBJECT/(W1*W2*W3)),data)

混合模型相当于：

lmer(speed ~ 
    # Fixed Effects
    W1*W2*W3 + 
    # Random Effects
    (1|SUBJECT) + (1|W1:SUBJECT) + (1|W2:SUBJECT) + (1|W3:SUBJECT),
    data = DATA,
    REML = TRUE)

将 REML 设置为 TRUE 和平衡设计后，您应该获得与方差分析相同的自由度和 f 值。机器学习往往会低估方差分量，因此如果您正在比较嵌套模型并需要使用机器学习，您的结果将无法精确匹配。如果您不比较嵌套模型并且可以使用 REML，则方差分析和混合模型应该匹配（同样，在平衡设计中）。

对于 @skan 之前的回答和人们可能有的其他想法，我并不是说这是THE随机效应结构（因为包含随机斜率可能更合适W1与随机截距相比），但如果每个主题有一个观察：条件，那么这些随机效应会产生相同的结果。