Det er to hovedtyper pseudoreplikasjon: temporal pseudoreplikasjon (avhengige replikater i tid) eller romlig pseudoreplikasjon (avhengige replikat i rom). Et longitudinelt studium vil si at man følger de samme individene over tid ved gjentatte målinger. Dette vil gi temporal pseudoreplikasjon siden målingene av hvert individ vil være korrelert. R.A. Fisher var den første som introduserte mikset effektmodeller, og at det fantes to hovedtyper kategoriske forklaringsvariable: fikserte effekter (fixed) som påvirker gjennomsnittet til responsvariabel, og randome effekter (tilfeldige effekter, random) som påvirker variansen til responsvariabel. Spesifiseres i modellen som e.g.fixed=y~1,random=~1|k/l/m som viser hierarki av randome effekter k,l,m. Mikset effektmodeller brukes i statistisk bildehandling i CT (komputer tomografi) og PET (positron emisjonstomografi) i medisinsk diagnostikk. Det finnes lineære mikset effektmodeller (lme) og ikke-lineære mikset effektmodeller (nlme,” Linear and Nonlinear Mixed Effects Models”.
Hvis vi har en modell av typen:
\(Y_i= \beta_0 + \beta x_i + \epsilon _i\)
så har denne bare en verdi for henholdvis skjæringspunkt (intercept) og stigningstall. Epsilon angir feilvariasjon.
I følgende modell vil både skjæringspunkt og stigningstall variere:
\(Y_{ij}= \beta_{0j}+ \beta_j x_{ij} + \epsilon _{ij}\)
Dette gir mulighet for modeller for skjæringspunkt er felles, men stigningstall varierer, eller felles stigningstall (fiksert parameter) og variasjon i skjæringspunkt (random parameter).
En modell som har både randome skjæringspunkt og randome stigningstall kan uttrykkes som:
\(Y_{ij}= \beta_{0j}+ a_j+ \beta_j x_{ij} +b_jx_{ij} + \epsilon _{ij}\)
Dette gir flere varianser, og det kan være kovarianse mellom randome effekter.