本文系统研究了模型(1)中异常值的检验问题，主要集中解决非平衡模型及多个异常值的识别，利用得分检验统计量将结果推广到一般意义下的混合效应模型中，解决了多向分类的随机效应模型中多个异常值的检验问题．本文的创新结果主要表现在以下几个方面: (1)在平衡的单向分类随机效应模型中，给出了随机效应上多个水平异常值的似然比检验统计量，并得到了该统计量在零假设下的精确分布，由此给出了该问题的一个精确的检验过程． (2)利用得分检验(score Test)，给出了平衡的单向分类随机效应模型中多个观测异常值的检验问题．该统计量具有明显表达式，便于计算和使用． (3)对非平衡的单项随机效应模型中，给出了随机效应(或水平)及观测值上多个异常值的得分检验统计量，并建立了一个近似的检验过程．在平衡情形，我们证明了单向分类随机效应模型下水平异常值的得分检验统计量与(1)中似然比检验是等价的． (4)利用得分检验统计量将结果推广到一般意义下的混合效应模型中，并应用于一些简单的双向分类模型，得到了一些具有明显表达式的结果．在复杂的双向或多向分类的随机效应模型，该检验统计量的计算也并不复杂．这一结果拓宽了方法的使用范围． (5)对平衡和非平衡的单向分类随机效应模型，通过模拟分析，验证了方法的有效性，并发现了水平异常和观测异常的一些关系．