我从2组获得测量结果，其中每组具有相同的3个水平。
这是我的例子data.frame：
df <- data.frame(measurement = c(rnorm(10,1,1),rnorm(10,0.75,1),rnorm(10,1.25,1),
rnorm(10,0.5,1),rnorm(10,1.75,1),rnorm(10,0.25,1)),
group = as.factor(c(rep("a",30),rep("b",30))),
level = as.factor(rep(c(rep("x",10),rep("y",10),rep("z",10)),2)))
我有兴趣量化每个measurement中level受group影响的方式。
我猜一个线性模型（lm）是适合这种情况的方法，其中group:level互动术语捕获了我感兴趣的效果。
有没有办法指定只计算这些互动字词的lm：groupb:levelx，groupb:levely和groupb:levelz？我相信这会告诉我每个level如何受group＆＃34; b＆＃34; （相对于group＆＃34; a＆＃34;），我认为这是我感兴趣的。
我最接近的是：
lm(measurement ~ 0 + group * level - group, data = df)
但这仍然会计算levelx，levely和levelz的影响，我对此并不感兴趣。
答案 0 :(得分：1)
正如@Lyzander上面提到的，你应该更多地澄清你想要的东西。根据您所说的＆＃34;测量如何受到组＆＃34; b＆＃34; （相对于组＆＃34; a＆＃34;）对于每个级别＆＃34;，我想有3种简单的方法可以做到这一点。
df <- data.frame(measurement = c(rnorm(10,1,1),rnorm(10,0.75,1),rnorm(10,1.25,1),
rnorm(10,0.5,1),rnorm(10,1.75,1),rnorm(10,0.25,1)),
group = as.factor(c(rep("a",30),rep("b",30))),
level = as.factor(rep(c(rep("x",10),rep("y",10),rep("z",10)),2)))
library(dplyr)
#### calculate stats (mean values) ---------------------------------------------
df %>% group_by(level, group) %>% summarise(MeanMeasurement = mean(measurement))
# level group MeanMeasurement
# (fctr) (fctr) (dbl)
# 1 x a 1.6708659
# 2 x b 0.8487751
# 3 y a 0.7977769
# 4 y b 1.4209206
# 5 z a 1.5484668
# 6 z b -0.3244225
#### build a model for each level ---------------------------------------------
summary(lm(measurement ~ group , data = df[df$level=="x",]))
# Coefficients:
# Estimate Std. Error t value Pr(>|t|)
# (Intercept) 1.6709 0.3174 5.264 5.27e-05 ***
# groupb -0.8221 0.4489 -1.831 0.0837 .
summary(lm(measurement ~ group , data = df[df$level=="y",]))
# Coefficients:
# Estimate Std. Error t value Pr(>|t|)
# (Intercept) 0.7978 0.2565 3.111 0.00604 **
# groupb 0.6231 0.3627 1.718 0.10295
summary(lm(measurement ~ group , data = df[df$level=="z",]))
# Coefficients:
# Estimate Std. Error t value Pr(>|t|)
# (Intercept) 1.5485 0.3549 4.363 0.000375 ***
# groupb -1.8729 0.5019 -3.731 0.001528 **
## build a model only with interactions ------------------------------------------
summary(lm(measurement ~ group : level , data = df))
# Coefficients: (1 not defined because of singularities)
# Estimate Std. Error t value Pr(>|t|)
# (Intercept) -0.3244 0.3123 -1.039 0.303452
# groupa:levelx 1.9953 0.4416 4.518 3.43e-05 ***
# groupb:levelx 1.1732 0.4416 2.657 0.010354 *
# groupa:levely 1.1222 0.4416 2.541 0.013951 *
# groupb:levely 1.7453 0.4416 3.952 0.000227 ***
# groupa:levelz 1.8729 0.4416 4.241 8.76e-05 ***
# groupb:levelz NA NA NA NA
如果你检查统计数据（第一种方法）和模型＆＃39;系数你会发现所有这三种方法都是一致的。
我选择了第二种方法，因为它是唯一能够向您提供有关group中level（a vs b）的差异是否具有统计显着性的信息。第一种方法只是报告手段。第3种方法包括p值，但它们对应于与基线相互作用值的比较，而不是与a和b组之间的比较。
你提到过＃34;只计算这些互动条款：groupb：levelx，groupb：levely，groupb：levelz＆＃34;这意味着你不会得到a和x，y，z的其他3个交互。换句话说，您强制模型包含这3个交互。
您可以像这样手动执行此操作
df <- data.frame(measurement = c(rnorm(10,1,1),rnorm(10,0.75,1),rnorm(10,1.25,1),
rnorm(10,0.5,1),rnorm(10,1.75,1),rnorm(10,0.25,1)),
group = as.factor(c(rep("a",30),rep("b",30))),
level = as.factor(rep(c(rep("x",10),rep("y",10),rep("z",10)),2)))
library(dplyr)
df %>%
mutate(interactions = paste0(group,":",level),
interactions = ifelse(group=="a","a",interactions)) -> df2
summary(lm(measurement ~ interactions, data = df2))
# Coefficients:
# Estimate Std. Error t value Pr(>|t|)
# (Intercept) 0.9318 0.1831 5.089 4.36e-06 ***
# interactionsb:x -0.7803 0.3662 -2.131 0.03752 *
# interactionsb:y 0.2747 0.3662 0.750 0.45638
# interactionsb:z -1.1367 0.3662 -3.104 0.00299 **
但现在将其他3个交互组合在一起，每次将3个交互中的每个交互（b：x，b：y，b：z）与通用组a进行比较。你不能比较x，y和z中的a与b，但你比较b组中x与y对比z。
答案 1 :(得分：0)
基于这句话：＆＃34;有没有办法指定只计算这些交互项的lm：groupb：levelx，groupb：levely，groupb：levelz？＆＃34;，我想你只是想：
lm( measurement ~ level +0, subset = group=="b", data = df)