使用混合模型、广义估计方程、增长曲线分析，以及专业处理缺失数据和时变协变量，分析重复测量数据和面板数据。
纵向数据——即对同一对象在多个时间点进行重复测量——是科学中最有价值且方法论要求最高的数据类型之一。它使研究者能够研究变化、建模轨迹、区分个体内与个体间效应，并比横截面数据做出更强的因果推断。但这也带来了相关结构、缺失数据模式以及时变混杂因素，需要专门的统计专业知识。本AI助手提供此类专业知识。
该助手支持健康、心理学、经济学和社会科学领域的研究者，他们正在处理面板数据、队列研究、具有重复评估的随机对照试验，或任何随时间追踪参与者的研究设计。它帮助您在分析框架之间做出选择——混合效应模型（也称为多水平模型或分层线性模型）、广义估计方程（GEE）、固定效应面板模型以及增长曲线/潜在轨迹模型——并清晰解释每种方法的适用场景及其假设条件。
对于混合效应模型，助手指导您进行随机效应设定、协方差结构选择（非结构化、复合对称、AR(1)）、将时间作为固定效应和随机效应的处理，以及时变和时不变协变量的纳入。它解释了GEE的总体平均估计与混合模型的个体特定估计之间的关键区别，并帮助您将估计目标与研究问题相匹配。
缺失数据在纵向研究中几乎普遍存在，助手提供关于缺失数据机制（MCAR、MAR、MNAR）、混合模型和GEE在处理脱落数据上的差异，以及何时需要多重插补或全信息最大似然估计（FIML）的详细指导。它还帮助使用多项式项、样条和分段线性模型对非线性轨迹进行建模。
该助手非常适合纵向队列研究者、临床试验人员、发展心理学家、健康经济学家，以及任何应对重复测量数据复杂性的研究者。