A framework for classifying and visualising experimental designs when subjects are measured repeatedly
本文通过根据实验单位、测量频率和随机化策略来定义关键设计特征，旨在解决实验研究中关于重复测量设计的混淆问题，从而建立一个用于分类并利用哈斯图（Hasse diagrams）对该类设计进行可视化的框架。
原始论文根据 CC0 1.0（http://creativecommons.org/publicdomain/zero/1.0/）发布到公有领域。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下你是一名正在试图破解谜题的侦探，但你寻找线索的地方不是犯罪现场，而是在生物的行为中——无论是人、狗，甚至是微小的细胞。在科学世界里，研究人员经常进行实验，以观察不同的事物（比如一种新药或特定的训练方案）如何影响这些受试对象。但棘手之处在于：有时，他们并不只是检查一次受试对象就结束了。他们可能会一天检查五次，或者连续给予三种不同的治疗，又或者从同一次抽血中提取三个微小的样本。这就是科学家所说的“重复测量”（repeated measures）。
把这想象成品尝一锅汤。如果你只尝一勺，那就是单次测量。但如果你每隔十分钟尝一勺，看看味道随着炖煮是如何变化的，或者你用三把不同的勺子来品尝，以确保你没有产生幻觉，那么你就是在做“重复测量”。问题在于，科学家们一直对所有这些不同的场景使用同一个标签——“重复测量设计”，尽管它们实际上是非常不同的。这就像把自行车、滑板和独轮车都统称为“有轮车辆”。它们都有轮子，但你的骑行方式完全不同；如果你试图把独轮车当成自行车来骑，你可能会摔倒。在科学中，如果你因为误解了设计类型而使用了错误的分析方法，你的结论可能会完全错误，从而导致错误的医疗建议或浪费研究资源。
由达米亚诺斯·米凯利德斯（Damianos Michaelides）和西蒙·T·贝特（Simon T. Bate）撰写的这篇论文，就像是一本终于理清了混乱的新型说明书。作者注意到，人们一直在混淆不同类型的实验（即那些对受试对象进行多次测量的实验），而这导致了数据分析中的错误。他们提出了一个清晰的框架，通过三个简单的问题来对这些设计进行分类：主角是谁（实验单位）？我们是否在反复检查这个角色？以及最重要的——我们是如何决定谁接受哪种处理的（随机化策略）？
作者并没有仅仅列出规则，而是引入了一个名为“哈斯图”（Hasse diagram）的视觉工具。想象一下一棵家族树，但它展示的不是谁与谁有亲缘关系，而是实验的不同部分是如何连接在一起的，以及处理是如何分配的。通过绘制这些图表，作者展示了看似混乱的重复测量堆叠，实际上可以被归类为六个截然不同的类别：标准重复测量设计、受试者内设计、区组设计、分割区设计、交叉设计和嵌套设计。
论文指出，你不能仅仅因为某人在两次测量中被观测到了，就随手贴上一个通用的“重复测量”标签。例如，如果一只狗按照特定的、不可更改的顺序每天服用一种药片，那么这就是一种“受试者内”设计，其中顺序至关重要。但如果一个人服用一种药片，且每个人服用药片的顺序是随机打乱的，那么这就是一种“区组”设计。作者表明，将这两种不同的情况视为同一种情况是一个错误。他们证明了，通过正确识别你的实验属于哪六个类别中的哪一个，你可以构建出正确的数学模型来分析数据。
这篇论文并不声称发现了某种新药或新的物理定律。相反，它提供了一种更好地组织科学家已有工具的方法。它建议，通过使用这些特定的特征和视觉化的哈斯图，研究人员可以避免掉入使用错误统计方法的陷阱。作者通过几个例子——从人类临床试验到对兔子和狗的研究——展示了当你在分类上正确时，你就能得到正确的答案。他们并不是说这能解决科学中的所有问题，但他们确实表明，这理清了许多导致误导性结果的混乱。简而言之，他们正在为研究人员递上一张更好的地图，这样他们就不会在自己数据的森林中迷失方向。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。