我有一个运行良好的glmm,并产生具有生物意义的结果。我想与我感兴趣的水平预测变量I进行多重比较(6个水平的因子 - 在图中标记为Body)。这个因素及其与Class的相互作用在GLMM中是显着的(如预期的那样)。
我尝试使用此代码使用lsmeans:
lsmc <- lsmeans(modelc, ~ Class*Body)
plot(lsmc, by = "Class", intervals = TRUE, type = "response")
cld(lsmc)
结果是分组代码混乱的混乱:
> cld(lsmc)
Class Body lsmean SE df asymp.LCL asymp.UCL .group
a 6 -4.134310 0.2707025 NA -4.664878 -3.603743 123
a 3 -3.970351 0.2728055 NA -4.505040 -3.435662 123
a 4 -3.928422 0.2704543 NA -4.458502 -3.398341 123
a 5 -3.882009 0.2692264 NA -4.409683 -3.354335 123456
b 6 -3.736560 0.4111311 NA -4.542362 -2.930758 1 4 7
a 1 -3.526359 0.2772493 NA -4.069757 -2.982960 456789
a 2 -3.343117 0.2711772 NA -3.874614 -2.811619 789
b 5 -3.200230 0.4107996 NA -4.005383 -2.395078 2 5 8
b 1 -2.879111 0.4122133 NA -3.687034 -2.071187 23 56 89
b 2 -2.840026 0.4110968 NA -3.645761 -2.034291 3 6 9
b 3 -2.818114 0.4102995 NA -3.622287 -2.013942 3 6 9
b 4 -2.649563 0.4096440 NA -3.452450 -1.846675 3 6 9
据我所知,非连续分组代码,如所有B类中所示,都不是一个好兆头。
还有另一种方法可以与GLMM的输出进行多次和/或成对比较吗?