什麼時候重複測量方差分析優於混合效應模型？
針對這個問題，關於我隨機向參與者展示不同類別圖片的設計是否是我應該使用重複測量方差分析的示例，我得到的答案是我應該使用混合模型，其中一個是原因是我有兩種形式的依賴：主題和類別。
我現在的問題是：在做這種重複測量設計時，不總是這樣有兩個依賴嗎？也就是說，在什麼情況下重複測量方差分析比混合效應建模方法更可取，為什麼？
我不完全確定實際模型“重複測量方差分析”描述了什麼，但我認為一個普遍的問題是是否將任何類型的隨機效應放入模型中，而不是僅僅調整方差估計以涵蓋誘導的依賴關係（如面板校正標準誤差與多級模型在時間序列橫截面數據分析中的爭論）。所以我會先解決這個問題，然後再解決你的問題。
固定和隨機效應
關於何時使用隨機而非固定效果的兩個互補原則如下：
- 當您有興趣使用模型泛化到當前分析中未包括的該事物的其他實例時，表示具有隨機效應的事物（主題、刺激類型等），例如其他主題或其他刺激類型。如果不使用固定效果。
- 當您認為對於事物的任何實例，數據集中的其他實例都可能提供有關它的信息時，表示具有隨機效應的事物。如果您期望沒有這樣的信息量，請使用固定效果。
兩者都明確地包含受試者隨機效應：您通常對一般人群感興趣，並且每個受試者的響應集的元素是相關的，可相互預測的，因此可以相互提供信息。對於諸如刺激之類的事情就不太清楚了。如果只有三種類型的刺激，那麼 1. 將激發固定效果，2. 將根據刺激的性質做出決定。
你的問題
在重複效應方差分析中使用混合模型的一個原因是前者更通用，例如，它們同樣容易處理平衡和不平衡設計，並且它們很容易擴展到多級模型。在我（誠然有限）閱讀經典 ANOVA 及其擴展時，混合模型似乎涵蓋了 ANOVA 擴展所做的所有特殊情況。所以我實際上想不出更喜歡重複測量方差分析的統計原因。其他人也許可以在這裡提供幫助。（一個熟悉的社會學原因是，您的領域更喜歡閱讀其年長成員在研究生院學習的方法，一個實際的原因是，學習如何使用混合模型可能比 ANOVA 的小範圍擴展需要更長的時間。）
筆記
使用與非實驗數據最相關的隨機效應的一個警告是，為了保持一致性，您必須假設隨機效應與模型的固定效應不相關，或者添加固定效應均值作為隨機效應的協變量（已討論例如在 Bafumi 和 Gelman 的論文中）。