重复测量数据(repeated measurement data)是医学研究中十分常见的数据类型。针对这种数据的分析方法,经过多年的发展,已经有了很大改善,尤其是通过拟合混合效应模型,应用SAS软件的MIXED过程对其进行分析,相对于用一般的多变量分析或者SAS的GLM过程分析而言,模型建立更为灵活,结果更为可信。但是,一般文献中应用MIXED过程多是针对单一反应变量重复测量的情况,数据之间的相关性也仅存在于同一个体的多次测量结果之间。在大量的临床诊断、治疗实验和其它学科中,经常会遇到有两个甚至多个反应变量进行重复测量的情况,这些反应变量之间并非相互独立,而是也具有相关性的。例如,对高血压患者进行血压检测,每个被调查者先后三次重复测量其收缩压与舒张压水平,每位患者除收缩压或舒张压的三次测量之间有相关性外,每次测量的收缩压和舒张压之间也有相关性存在。对于这样的双反应变量重复测量数据,在一些文献中往往将两个以上的反应变量割裂开来,分别进行单变量重复测量资料或常规的单变量分析,这些方法都是不正确的。同时,对于多反应变量重复测量资料,数据之间的相关性可以分解为两部分,即某个体单反应变量重复测量值之间的相关和某个体多个反应变量之间的相关,同时其资料的随机误差仍然可以分解为个体内重复测量误差和个体间误差两部分。本研究是在了解混合效应模型原理方法的基础上,针对多反应变量重复测量数据的特点,运用医学与环境学实例,研究混合效应模型在双反应变量重复测量资料分析中的应用,建立与完善其模型及SAS软件分析程序,并进行实例分析。结果认为该方法不仅可以更加有效、深入的挖掘该类数据中蕴藏的信息,得到固定效应和随机效应的估计值,同时可以得到反应变量本身之间的相关系数和变量多次重复测量间的相关系数,对数据间的相关性进行更加细致的分解和研究。另外,分析者也可拟合不同的混合效应模型,通过比较拟合统计量的大小和协方差参数的多少,从中选择针对该数据最切合实际解释的统计分析模型。研究结果表明,混合效应模型完全可以应用于多反应变量重复测量数据的分析中,并且可以得到比通常单变量分析更可靠、更详尽的结果,能更充分地利用分析数据蕴藏的信息,在实际工作中有更好的应用前景。