以下分别给出使用 Python 和 R 语言完成该任务的示例代码，假设我们有一个包含被试编号、实验条件和反应时的数据，并且要拟合一个线性回归模型。

Python 实现

import pandas as pd
import numpy as np
import statsmodels.api as sm

# 生成示例数据
data = {
    'subject': np.repeat(range(1, 11), 5),
    'condition': np.tile(['A', 'B', 'C', 'D', 'E'], 10),
    'reaction_time': np.random.normal(500, 100, 50)
}
df = pd.DataFrame(data)

# 去除异常值
def remove_outliers(group):
    mean = group.mean()
    std = group.std()
    return group[(group - mean).abs() <= 2.5 * std]

df['reaction_time'] = df.groupby(['subject', 'condition'])['reaction_time'].transform(remove_outliers)
df = df.dropna()

# 拟合线性回归模型
# 将分类变量转换为虚拟变量
df = pd.get_dummies(df, columns=['condition'], drop_first=True)
X = df.drop(['subject', 'reaction_time'], axis=1)
X = sm.add_constant(X)
y = df['reaction_time']

model = sm.OLS(y, X).fit()

# 打印模型结果
print(model.summary())

# 模型结果解释
print("\n模型结果解释：")
print("该线性回归模型用于预测反应时。")
print("- 常数项（const）：表示当所有实验条件都为基准条件（在创建虚拟变量时被删除的条件）时的平均反应时。")
for col in X.columns[1:]:
    print(f"- {col} 的系数：表示该实验条件相对于基准条件对反应时的影响。如果系数为正，说明该条件下的反应时比基准条件长；如果系数为负，说明该条件下的反应时比基准条件短。")
print("- R-squared：表示模型对数据的拟合优度，取值范围在 0 到 1 之间，越接近 1 表示拟合效果越好。")
print("- p 值：用于检验每个系数是否显著不为零。如果 p 值小于 0.05，通常认为该系数在统计上是显著的。")

R 语言实现

# 生成示例数据
set.seed(123)
subject <- rep(1:10, each = 5)
condition <- rep(c("A", "B", "C", "D", "E"), 10)
reaction_time <- rnorm(50, 500, 100)
df <- data.frame(subject, condition, reaction_time)

# 去除异常值
remove_outliers <- function(x) {
  mean_val <- mean(x)
  sd_val <- sd(x)
  return(x[abs(x - mean_val) <= 2.5 * sd_val])
}

df <- df %>%
  group_by(subject, condition) %>%
  mutate(reaction_time = remove_outliers(reaction_time)) %>%
  ungroup() %>%
  drop_na()

# 拟合线性回归模型
model <- lm(reaction_time ~ condition, data = df)

# 打印模型结果
summary(model)

# 模型结果解释
cat("\n模型结果解释：\n")
cat("该线性回归模型用于预测反应时。\n")
cat("- 截距项：表示当实验条件为基准条件（在模型中自动选择的第一个水平）时的平均反应时。\n")
for (i in 2:length(coef(model))) {
  cat(paste0("- ", names(coef(model))[i], " 的系数：表示该实验条件相对于基准条件对反应时的影响。如果系数为正，说明该条件下的反应时比基准条件长；如果系数为负，说明该条件下的反应时比基准条件短。\n"))
}
cat("- Multiple R-squared：表示模型对数据的拟合优度，取值范围在 0 到 1 之间，越接近 1 表示拟合效果越好。\n")
cat("- p 值：用于检验每个系数是否显著不为零。如果 p 值小于 0.05，通常认为该系数在统计上是显著的。\n")

代码解释

Python 部分

1. 数据生成：使用 pandas 生成包含被试编号、实验条件和反应时的示例数据。
2. 去除异常值：定义 remove_outliers 函数，通过分组计算每个被试在每个实验条件下反应时的平均数和标准差，去除超过平均数 2.5 个标准差的值。
3. 拟合模型：使用 statsmodels 库的 OLS 函数拟合线性回归模型。
4. 结果解释：打印模型结果并对模型中的各项指标进行解释。

R 语言部分

1. 数据生成：使用 set.seed 确保结果可重复，生成示例数据。
2. 去除异常值：定义 remove_outliers 函数，使用 dplyr 库的 group_by 和 mutate 函数去除异常值。
3. 拟合模型：使用 lm 函数拟合线性回归模型。
4. 结果解释：打印模型结果并对模型中的各项指标进行解释。