一直以来,方差分析和回归分析是统计建模的主要方法,但是这些方法都是以独立性、正态性、方差齐性为基本假定的。混合模型是一种新的重要的统计建模方法,由于其允许残差项不符合独立性的假定,且可以通过更灵活的方式处理更复杂的数据结构等特点,使之具有很多传统统计分析方法所没有的优点,比如对研究因素做出更准确的估计和假设检验;使得结论更容易推广;以及发掘深层次的数据结构等。 而目前很多临床试验都是基于多中心的,由于多中心临床试验可以在较短的时间内招募到足够多的病例数;同时,来自多中心的病例比来自单中心的病例更具有代表性,可以使所得结论的应用面更广泛。但是,目前对该类资料的统计分析多是忽略中心间的异质性,而假定中心间同质,然而这种假定往往很容易有问题。混合模型可以考虑中心之间的处理效应的不一致;即使中心间一致,也可以通过考虑中心效应等,从而提高对处理效应估计的准确性。另一方面,临床试验还经常要对同一受试者的观测指标在受试过程的不同时点进行观察和检测,这样同一受试者在试验结束时便可获得多个不同时点的数据,即重复测量资料。采用混合模型分析该类资料,不需要每个观测的完整信息,从而得到处理效应及其标准误的更准确的估计。另外,混合模型还提供了多种处理重复测量值间相关性的方法。