Question

我的数据如下所示，绘图为行，不同的Ellenberg值为Year，林（Skov）和林类型（Skovtype）。

我的数据来自4个不同的年份（1993年，1998年，2005年和2016年）。

我的lsmeans函数有一些问题，我的脚本如下所示：

ellenberg_LM <- read.csv2("Gns. Ellenberg1.csv")

将年份从整数转换为因子

levels(ellenberg_LM$Year)
ellenberg_LM$Year <- factor(ellenberg_LM$Year)

Ellenberg L - LM

LLM<-lm(Gennemsnit.af.L_Ellenberg ~ Year + Skov + Skov*Year + Skovtype + Skovtype*Year,
        data=ellenberg_LM)

LS-装置

install.packages("lsmeans")
library(lsmeans)
lsmeans(LLM,~ Year, data = ellenberg_LM)

我的输出看起来像这样，在第一个例子中使用NA的1993。但是，如果我忽略了与Skov*Year和Skovtype*Year R的互动，那就像上一个例子那样估算所有年份。

我的问题是;你知道我做错了拿到NA还是错过了什么？因为我希望通过交互计算所有年份的lsmeans。

Answer 1

lsmip是因为预测值在三个因子的某些组合中是不可估计的 - 因此在对这些因子中的两个因子的水平进行平均后仍然不可估计。这可能是由于某些因子组合中没有数据（数据中的空单元格）。当您拟合更简单的模型时，这些预测变得可估计，因为不再需要估计某些交互效应。

如果任何交互影响很重要，那么你可能不应该估计那些边际方法（这就是为什么会有警告信息）。查看一些交互图（例如，使用data与交互模型）来可视化正在发生的事情并查看将预测平均在一起是否合理。如果这些东西让您感到困惑，请咨询统计顾问。

顺便说一下，lsmeans调用中不需要{{1}}参数。