我使用R中的oneway.test()进行了单向ANOVA测试和welch校正，因为我的数据违反了相等方差的假设（转换无法解决问题）。
一个简单的数据示例：
> dput(df)
structure(list(Count = c(13, 14, 14, 12, 11, 13, 14, 15, 13,
12, 20, 15, 9, 5, 13, 14, 7, 17, 18, 14, 12, 12, 13, 14, 11,
10, 15, 14, 14, 13), Group = structure(c(1L, 1L, 1L, 1L, 1L,
1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 3L,
3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L), .Label = c("a", "b", "c"
), class = "factor")), .Names = c("Count", "Group"), row.names = c(NA,
-30L), class = "data.frame")
library(car)
grp = as.factor(c(rep(1, 10), rep(2, 10),rep(3, 10)))
leveneTest(df$Count,grp) #unequal variances
#one-way ANOVA with welch's correction
oneway.test(Count ~ Group, data=df, na.action=na.omit, var.equal=FALSE)
我有多个组，所以我现在想要成对运行后测试。无论如何使用oneway.test（）函数中的对象来执行此操作？如果没有，那么如何对具有不等差异的群体进行成对测试呢？我无法在线找到这个问题的答案。任何建议将不胜感激。
答案 0 :(得分：4)
只是补充一点，尽管时机不好而且我自己一直在寻找类似的东西，但也可以选择进行Games-Howell测试。 这甚至被纳入了“posthoc.tgh”中。在“用户友好科学”中的功能＆＃39;这个stackexchange_post中介绍的R包。它代表了Tukey-Kramer测试对不等方差的扩展。 posthocTGH {userfriendlyscience}
原始出版物（即使是在我出生之前）： Paul A. Games和John F. Howell。 具有不等N和/或方差的成对多重比较程序：蒙特卡罗研究。 教育与研究杂志行为统计学，第1卷，第2期，1976年，第113-125页。 doi: 10.3102/10769986001002113
答案 1 :(得分：3)
以下是两种方法：
library(car)
df <- structure(list(Count = c(13, 14, 14, 12, 11, 13, 14, 15, 13, 12, 20, 15, 9, 5, 13, 14, 7, 17, 18, 14, 12, 12, 13, 14, 11, 10, 15, 14, 14, 13),
Group = structure(c(1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L), .Label = c("a", "b", "c" ), class = "factor")),
.Names = c("Count", "Group"),
row.names = c(NA, -30L), class = "data.frame")
首先，Group因子的唯一对的集合：
allPairs <- expand.grid(levels(df$Group), levels(df$Group))
## http://stackoverflow.com/questions/28574006/unique-combination-of-two-columns-in-r/28574136#28574136
allPairs <- unique(t(apply(allPairs, 1, sort)))
allPairs <- allPairs[ allPairs[,1] != allPairs[,2], ]
allPairs
## [,1] [,2]
## [1,] "a" "b"
## [2,] "a" "c"
## [3,] "b" "c"
现在分析：
allResults <- apply(allPairs, 1, function(p) {
dat <- df[ df$Group %in% p, ]
ret <- oneway.test(Count ~ Group, data = dat, na.action = na.omit, var.equal = FALSE)
ret$groups <- p
ret
})
length(allResults)
## [1] 3
allResults[[1]]
## One-way analysis of means (not assuming equal variances)
## data: Count and Group
## F = 0.004, num df = 1.000, denom df = 10.093, p-value = 0.9508
如果你想要这是一个矩阵，也许这就是：
mm <- diag(length(levels(df$Group)))
dimnames(mm) <- list(levels(df$Group), levels(df$Group))
pMatrix <- lapply(allResults, function(res) {
## not fond of out-of-scope assignment ...
mm[res$groups[1], res$groups[2]] <<- mm[res$groups[2], res$groups[1]] <<- res$p.value
})
mm
## a b c
## a 1.0000000 0.9507513 0.6342116
## b 0.9507513 1.0000000 0.8084057
## c 0.6342116 0.8084057 1.0000000
（对于F统计量，这可以很容易地完成。）
dplyr 首先，Group因子的唯一对的集合：
library(dplyr)
## http://stackoverflow.com/questions/28574006/unique-combination-of-two-columns-in-r/28574136#28574136
allPairs <- expand.grid(levels(df$Group), levels(df$Group), stringsAsFactors = FALSE) %>%
filter(Var1 != Var2) %>%
mutate(key = paste0(pmin(Var1, Var2), pmax(Var1, Var2), sep='')) %>%
distinct(key) %>%
select(-key)
allPairs
## Var1 Var2
## 1 b a
## 2 c a
## 3 c b
如果订单真的很重要，您可以提前{@ 1}}将dplyr::arrange(Var1, Var2)添加到此管道中，也许是在调用expand.grid之后。
现在分析：
ret <- allPairs %>%
rowwise() %>%
do({
data.frame(.,
oneway.test(Count ~ Group, filter(df, Group %in% c(.$Var1, .$Var2)),
na.action = na.omit, var.equal = FALSE)[c('statistic', 'p.value')],
stringsAsFactors = FALSE)
})
ret
## Source: local data frame [3 x 4]
## Groups: <by row>
## Var1 Var2 statistic p.value
## 1 b a 0.004008909 0.9507513
## 2 c a 0.234782609 0.6342116
## 3 c b 0.061749571 0.8084057
（我没有对其中任何一个的表现提出任何要求;通常会有一些像这个例子一样的数据，但是另一个会出现更大的集合。它们似乎都表现相同具有相同结果的统计成对比较。对你而言！）