在分析我平衡的受试者内部实验数据时，我感到有些迷茫，我需要知道自己是否走对了。
我进行了一项小规模的试点研究，在该研究中，我将受试者的因素分为4个等级，因此将参与者随机分配到4种平衡状态。因此，四个平衡状态为：ABCD，BCDA，CDAB，DABC。我知道我应该使用平衡的拉丁方设计而不是周期性设计，因此我想控制平衡条件本身。
还有一些参与者没有通过关注/操纵检查。因此，在每种平衡状态下，我最终得到以下分布：32、34、38、33。
在这里，我阅读了一些有关混合效果模型使用的文章和讨论，与传统的重复测量方差分析相反。 我的第一个问题：在以下情况下使用混合模型方法是否有意义：a）人们以一种不平衡的方式承受了平衡水平，并且b）在以下情况下违反了球形性的假设我使用Anova包中的car测试过了吗？
假设可以使用混合模型方法，我使用lmer和lme在R中运行以下代码。条件是具有4个级别的主题内因素，并且我还有其他要考虑的控制变量。
mixed_m1 <- lmer(Value ~ WorkExp + LdrspExp + WorkEnv + Age + Gender + Degree + counterbalance + Condition + (1|workerId/Condition), data=data)
mixed_m2 <- lme(Value~ WorkExp + LdrspExp + WorkEnv + Age + Gender + Degree + counterbalance + Condition ,random=~1|workerId/Condition,data=data, na.action=na.exclude)
这两种方法的结果似乎几乎相同，所以我的第二个问题是：使用lme的输出是否安全，因为它提供了p值？使用lme的p值时有任何警告吗？这是输出，以防万一。
> summary(mixed_m2)
Linear mixed-effects model fit by REML
Data: vigdf_long
AIC BIC logLik
1144.038 1212.434 -556.0191
Random effects:
Formula: ~1 | workerId
(Intercept)
StdDev: 0.3904907
Formula: ~1 | Condition %in% workerId
(Intercept) Residual
StdDev: 0.5448806 0.2139352
Fixed effects: Value ~ WorkExp + LdrspExp + WorkEnv + Age + Gender + Degree + counterbalance + Condition
Value Std.Error DF t-value p-value
(Intercept) 4.071391 0.3395443 393 11.990751 0.0000
WorkExp -0.099979 0.0420833 10 -2.375734 0.0389
LdrspExp 0.012926 0.0384698 10 0.336010 0.7438
WorkEnv 0.042671 0.0611359 10 0.697973 0.5011
Age -0.012406 0.0345271 128 -0.359317 0.7200
Gender2 0.033598 0.0989828 128 0.339430 0.7348
Degree -0.015818 0.0450609 128 -0.351029 0.7261
counterbalance2 0.151215 0.1078256 10 1.402403 0.1911
counterbalance3 0.058832 0.1016497 10 0.578769 0.5755
counterbalance4 0.235995 0.0827976 10 2.850268 0.0172
ConditionVig_Exploit.Explor 0.153707 0.0719766 393 2.135515 0.0333
ConditionVig_Explor.Exploit -0.117260 0.0719766 393 -1.629145 0.1041
ConditionVig_Explor.Explor 0.300035 0.0719766 393 4.168509 0.0000
Correlation:
(Intr) WrkExp LdrspE WrkEnv Age Gendr2 Degree cntrb2 cntrb3 cntrb4 CndtnVg_Explt.E CndtnVg_Explr.Explt
WorkExp -0.483
LdrspExp 0.319 -0.364
WorkEnv -0.616 0.238 -0.365
Age -0.120 -0.385 -0.204 0.157
Gender2 -0.052 -0.205 -0.052 -0.086 -0.029
Degree -0.553 0.210 -0.181 -0.172 -0.105 0.194
counterbalance2 -0.156 0.106 -0.185 0.000 -0.107 0.001 0.076
counterbalance3 -0.156 0.042 -0.286 0.019 -0.025 0.110 0.081 0.619
counterbalance4 -0.268 0.064 -0.021 0.257 -0.013 -0.053 -0.071 0.399 0.463
ConditionVig_Exploit.Explor -0.106 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
ConditionVig_Explor.Exploit -0.106 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.500
ConditionVig_Explor.Explor -0.106 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.500 0.500
Standardized Within-Group Residuals:
Min Q1 Med Q3 Max
-1.87767689 -0.19468774 0.03159778 0.21802779 1.88190837
Number of Observations: 544
Number of Groups:
workerId Condition %in% workerId
132 528