经常有学员问我：郑老师，重复测量分析资料该怎么分析？我该怎么区分主效应和单独效应？如果交互作用存在，又该怎么明确主效应和交互效应？
我将在本周末开启“重复测量资料分析的课程“，会详细介绍单独效应，主效应，交互效应这几个很重要但非常容易误解的概念。
今天就以一篇“Effect of Continuous Glucose Monitoring on Glycemic Control in Adults With Type 1 Diabetes Using Insulin Injections：The DIAMOND Randomized Clinical Trial（持续血糖监测对1型糖尿病成人胰岛素注射血糖控制的影响:DIAMOND随机临床试验）”的文章为例，带大家先梳理一下什么是主效应、交互效应和单独效应。
1►主效应
从概念上来讲，主效应是指一个因素对响应变量的独立影响，且不受其他因素的影响；但如果从统计学角度来解释，主效应就是单独的自变量X对因变量Y的影响。
但在重复测量文章中，主效应可以明确分为时间主效应和实施措施主效应。
比如在本案例中，时间主效应是所有参与者从基线到12周和24周时血糖水平（HbA1c）的变化值，即(（-1.1--1.0）+（-0.5--0.4）)/2=-0.1；
而实施措施主效应则是干预组和对照组的血糖水平（HbA1c）的差异，即(（-1.1--0.5）+（-1.0--0.4）)/2=-0.6。
分析显示结果呈现出统计学意义（P<0.05），说明主效应存在，即不同时间、不同的血糖监测措施都会对1型糖尿病患者的血糖水平造成影响。
2►单独效应
单独效应的实质是对交互效应的补充，是在一个因素保持固定时，另一个因素对响应变量的影响，这有助于我们理解在不同条件下一个因素的具体影响；从统计学角度来解读单独效应就是，当自变量X1固定在某水平时，不同水平的X2对Y的影响。
而在重复测量文章中，单独效应是干预后各分组效应差值。
实验措施的单独效应:12周是0.6、24周是0.6；
时间的单独效应:对照组是0.1、干预组是0.1。
3►交互效应
交互效应其实就是指两个或多个因素共同作用时，它们对响应变量的影响不是各自单独作用的简单相加，而是会产生额外的影响，即产生1+1>2的效果；而从统计学角度进行理解，则是指X1（时间）和X2（干预措施）的交互项X1*X2对Y（结局）的影响。
在本文，由于12周和24周，实验措施的单独效应均为0.6，时间的单独效应均为0.1，可以得出该试验的交互效应：0.1-0.1=0.6-0.6=0。
因此本文不存在交互效应。
注意事项
需要再次强调的是，在进行重复测量数据分析，评价疗效时，基线值不能作为结局指标，基线不是研究结局，基线的差异也不是效应。
其次，存在着交互效应时，不宜直接将主效应作为分析结果进行讨论，因为交互效应可能会改变主效应的影响，此时应重点关注各观测时间点内的组间差异性。
最后，在多个时间点内同时进行组间差异性比较时，建议采用一定的方式控制I型错误。比如将不同时间点的同个结局指标分为主要结局与次要结局，区别对待；或者采用Bonferroni等方法严格控制总的α值。
