Pengujian post-hoc dalam multcomp :: glht untuk model efek-campuran (lme4) dengan interaksi

Saya melakukan tes post-hoc pada model efek campuran linear dalam R( lme4paket). Saya menggunakan multcomppaket ( glht()fungsi) untuk melakukan tes post-hoc.

Desain eksperimental saya adalah tindakan berulang, dengan efek blok acak. Model ditentukan sebagai:

mymod <- lmer(variable ~ treatment * time + (1|block), data = mydata, REML = TRUE)

Daripada melampirkan data saya di sini, saya bekerja dari data yang disebut warpbreaksdalam multcomppaket.

data <- warpbreaks
warpbreaks$rand <- NA

Saya telah menambahkan variabel acak tambahan untuk meniru efek "blok" saya:

warpbreaks$rand <- rep(c("foo", "bar", "bee"), nrow(warpbreaks)/3)

Ini meniru model saya:

mod <- lmer(breaks ~ tension * wool + (1|rand), data = warpbreaks)

Saya menyadari contoh dalam " Contoh Multcomp Tambahan- 2 Way Anova" Contoh ini membawa Anda ke perbandingan tingkat ketegangan dalam level wool.

Bagaimana jika saya ingin melakukan yang sebaliknya - membandingkan level wooldalam level tension? (Dalam kasus saya, ini akan membandingkan tingkat pengobatan (dua - 0, 1) dalam tingkat waktu (tiga - Juni, Juli, Agustus).

Saya datang dengan kode berikut untuk melakukannya, tetapi tampaknya tidak berfungsi (lihat pesan kesalahan di bawah).

Pertama, dari contoh (dengan wooldan tensionbertukar tempat):

tmp <- expand.grid(wool = unique(warpbreaks$wool), tension = unique(warpbreaks$tension))
X <- model.matrix(~ tension * wool, data = tmp)
glht(mod, linfct = X)

Tukey <- contrMat(table(warpbreaks$wool), "Tukey")

K1 <- cbind(Tukey, matrix(0, nrow = nrow(Tukey), ncol = ncol(Tukey)))
rownames(K1) <- paste(levels(warpbreaks$tension)[1], rownames(K1), sep = ":")

K2 <- cbind(matrix(0, nrow = nrow(Tukey), ncol = ncol(Tukey)), Tukey)
rownames(K2) <- paste(levels(warpbreaks$tension)[2], rownames(K2), sep = ":")

Dari sini ke bawah, kode saya sendiri:

K3 <- cbind(matrix(0, nrow = nrow(Tukey), ncol = ncol(Tukey)), Tukey)
rownames(K2) <- paste(levels(warpbreaks$tension)[3], rownames(K3), sep = ":")

K <- rbind(K1, K2, K3)
colnames(K) <- c(colnames(Tukey), colnames(Tukey))

> summary(glht(mod, linfct = K %*% X))
Error in summary(glht(mod, linfct = K %*% X)) : 
  error in evaluating the argument 'object' in selecting a method for function 'summary': Error in K %*% X : non-conformable arguments

— Ashley Asmus
sumber

Jauh lebih mudah menggunakan paket lsmeans

library(lsmeans)
lsmeans(mod, pairwise ~ tension | wool)
lsmeans(mod, pairwise ~ wool | tension)

— Russ Lenth
sumber

Bagus, itu berhasil! Terima kasih. Catatan: kode ini hanya berfungsi untuk data saya setelah mengubah variabel pengulangan dari nilai numerik (3 & 6) menjadi nilai alfabet (A & B).

Yah, itu sangat penting! Karena itu model yang berbeda dengan timesebagai prediktor numerik. Saya menduga Anda menginginkannya sebagai faktor.

— Russ Lenth

Bagaimana saya bisa menggeneralisasi lebih banyak prediktor? jika misalnya saya punya 3 alat prediksi bagaimana cara kerjanya?

— bersenang-senang

@havefun Silakan lihat help("lsmeans", package = "lsmeans")dan vignette("using-lsmeans"). Ada banyak dokumentasi dan banyak contoh.

— Russ Lenth

Hitung jumlah perbandingan yang Anda peroleh dengan masing-masing metode, mereka tidak sama. Baca juga penyesuaian beberapa pengujian. Saat Anda memiliki kelompok tes yang lebih besar, nilai P yang disesuaikan berbeda dengan untuk kelompok yang lebih kecil. Ketika Anda menggunakan oleh variabel, penyesuaian diterapkan secara terpisah untuk setiap set.

— Russ Lenth