Membandingkan tingkat faktor setelah GLM di R

Berikut adalah sedikit latar belakang tentang situasi saya: data saya merujuk pada jumlah mangsa yang berhasil dimakan oleh pemangsa. Karena jumlah mangsa terbatas (25 tersedia) di setiap percobaan, saya memiliki kolom "Sampel" yang mewakili jumlah mangsa yang tersedia (jadi, 25 di setiap percobaan), dan yang lain disebut "Hitungan" yang merupakan jumlah keberhasilan ( berapa banyak mangsa yang dimakan). Saya mendasarkan analisis saya pada contoh dari buku R pada data proporsi (halaman 578). Variabel penjelas adalah Temperatur (4 level, yang saya perlakukan sebagai faktor), dan Jenis Kelamin pemangsa (jelas, pria atau wanita). Jadi saya berakhir dengan model ini:

model <- glm(y ~ Temperature+Sex+Temperature*Sex data=predator, family=quasibinomial) 

Setelah mendapatkan tabel Analysis of Deviance, ternyata Suhu dan Jenis Kelamin (tetapi bukan interaksi) memiliki pengaruh yang signifikan terhadap konsumsi mangsa. Sekarang, masalah saya: Saya perlu tahu suhu mana yang berbeda, yaitu, saya harus membandingkan 4 suhu satu sama lain. Jika saya memiliki model linier, saya akan menggunakan fungsi TukeyHSD, tetapi karena saya menggunakan GLM saya tidak bisa. Saya telah mencari melalui paket MASS dan mencoba untuk mengatur matriks kontras tetapi untuk beberapa alasan itu tidak berhasil. Ada saran atau referensi?

Inilah ringkasan yang saya dapatkan dari model saya, jika itu membantu membuatnya lebih jelas ...

y <- cbind(data$Count, data$Sample-data$Count)
model <- glm(y ~ Temperature+Sex+Temperature*Sex data=predator, family=quasibinomial) 
> summary(model)

# Call:
# glm(formula = y ~ Temperature + Sex + Temperature * Sex, family=quasibinomial, data=data)

# Deviance Residuals: 
#     Min       1Q   Median       3Q      Max  
# -3.7926  -1.4308  -0.3098   0.9438   3.6831  

# Coefficients:
#                                        Estimate Std. Error t value Pr(>|t|)    
# (Intercept)                             -1.6094     0.2672  -6.024 3.86e-08 ***
# Temperature8                             0.3438     0.3594   0.957   0.3414    
# Temperature11                           -1.0296     0.4803  -2.144   0.0348 *  
# Temperature15                           -1.2669     0.5174  -2.449   0.0163 *  
# SexMale                                    0.3822     0.3577   1.069   0.2882    
# Temperature8:SexMale                    -0.2152     0.4884  -0.441   0.6606    
# Temperature11:SexMale                    0.4136     0.6093   0.679   0.4990    
# Temperature15:SexMale                    0.4370     0.6503   0.672   0.5033    
# ---
# Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

# (Dispersion parameter for quasibinomial family taken to be 2.97372)    
#     Null deviance: 384.54  on 95  degrees of freedom
# Residual deviance: 289.45  on 88  degrees of freedom
# AIC: NA   
# Number of Fisher Scoring iterations: 5

Anne, saya akan menjelaskan bagaimana melakukan beberapa perbandingan secara umum. Mengapa ini tidak berhasil dalam kasus spesifik Anda, saya tidak tahu; Maafkan saya.

Tetapi biasanya, Anda bisa melakukannya dengan multcomppaket dan fungsinya glht. Berikut ini sebuah contoh:

mydata      <- read.csv("http://www.ats.ucla.edu/stat/data/binary.csv")
mydata$rank <- factor(mydata$rank)
my.mod      <- glm(admit~gre+gpa*rank, data=mydata, family=quasibinomial)

summary(my.mod)
# 
# Coefficients:
#              Estimate Std. Error t value Pr(>|t|)  
# (Intercept) -4.985768   2.498395  -1.996   0.0467 *
# gre          0.002287   0.001110   2.060   0.0400 *
# gpa          1.089088   0.731319   1.489   0.1372  
# rank2        0.503294   2.982966   0.169   0.8661  
# rank3        0.450796   3.266665   0.138   0.8903  
# rank4       -1.508472   4.202000  -0.359   0.7198  
# gpa:rank2   -0.342951   0.864575  -0.397   0.6918  
# gpa:rank3   -0.515245   0.935922  -0.551   0.5823  
# gpa:rank4   -0.009246   1.220757  -0.008   0.9940  
# ---
# Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Jika Anda ingin menghitung perbandingan berpasangan antara rankmenggunakan Tukey's HSD, Anda bisa melakukannya dengan cara ini:

library(multcomp)
summary(glht(my.mod, mcp(rank="Tukey")))
# 
#    Simultaneous Tests for General Linear Hypotheses
# 
# Multiple Comparisons of Means: Tukey Contrasts
# 
# Fit: glm(formula = admit ~ gre + gpa * rank, family = quasibinomial, data = mydata)   
# 
# Linear Hypotheses:
#            Estimate Std. Error z value Pr(>|z|)
# 2 - 1 == 0   0.5033     2.9830   0.169    0.998
# 3 - 1 == 0   0.4508     3.2667   0.138    0.999
# 4 - 1 == 0  -1.5085     4.2020  -0.359    0.984
# 3 - 2 == 0  -0.0525     2.6880  -0.020    1.000
# 4 - 2 == 0  -2.0118     3.7540  -0.536    0.949
# 4 - 3 == 0  -1.9593     3.9972  -0.490    0.960
# (Adjusted p values reported -- single-step method)
# 
# Warning message:
# In mcp2matrix(model, linfct = linfct) :
#   covariate interactions found -- default contrast might be inappropriate

$p$

Catatan: Seperti yang dicatat @gung dalam komentar, Anda harus - bila memungkinkan - memasukkan suhu sebagai variabel kontinu daripada variabel kategorikal. Mengenai interaksi: Anda dapat melakukan tes rasio kemungkinan untuk memeriksa apakah istilah interaksi secara signifikan meningkatkan kesesuaian model. Dalam kasus Anda, kode akan terlihat seperti itu:

# Original model
model <- glm(y ~ Temperature+Sex+Temperature*Sex, data=predator, family=quasibinomial) 

# Model without an interaction
model2 <- glm(y ~ Temperature+Sex data=predator, family=quasibinomial) 

# Likelihood ratio test
anova(model, model2, test="LRT")

Jika tes ini tidak signifikan, Anda dapat menghapus interaksi dari model Anda. Mungkin glhtakan berhasil?