Question

我想知道是否有办法在afex＆amp ;;中获得相同的交互效果估计值。 lmemeans包在lmer中。下面的玩具数据是针对两组截取和斜率不同的组。

set.seed(1234)
A0 <- rnorm(4,2,1)
B0 <- rnorm(4,2+3,1)
A1 <- rnorm(4,6,1)
B1 <- rnorm(4,6+2,1)
A2 <- rnorm(4,10,1)
B2 <- rnorm(4,10+1,1)
A3 <- rnorm(4,14,1)
B3 <- rnorm(4,14+0,1)
score <- c(A0,B0,A1,B1,A2,B2,A3,B3)
id <- factor(rep(1:8,times = 4, length = 32))
time <- factor(rep(0:3, each = 8, length = 32))
timeNum <- as.numeric(rep(0:3, each = 8, length = 32))
group <- factor(rep(c("A","B"), times =2, each = 4, length = 32))
df <- data.frame(id, group, time, timeNum, score)
df

这是情节

(ggplot(df, aes(x = time, y = score, group = group)) + 
    stat_summary(fun.y = "mean", geom = "line", aes(linetype = group)) +
    stat_summary(fun.y = "mean", geom = "point", aes(shape = group), size = 3) +
    coord_cartesian(ylim = c(0,18)))

当我在数据上运行标准lmer时，会在score之间time超过group估算变化差异。

summary(modelLMER <- lmer(score ~ group * timeNum + (timeNum|id), df))

我对group*time的{{1}}互动进行了估算，这意味着-1.07中{1}}的单位增加得分增加约1分{ {1}}。此估计值与我在数据集中构建的预设差异相匹配。

我想知道的是如何在group B和group A包中做类似的事情。

afex

首先我生成了lsmeans模型对象

library(afex)
library(lsmeans)

然后将其传递到afex函数

modelLM <- aov_ez(id="id", dv="score", data=df, between="group", within="time", 
                 type=3, return="lm")

我的目标是生成afex和lsmeans中lsmeans互动的准确估算值。为此，需要根据上面lsMeansLM <- lsmeans(modelLM, ~rep.meas:group)函数中指定的拆分指定自定义对比度矩阵。

group*time

然后我做了一个主列表

lsmeans

我已将其传入groupMain = list(c(-1,-1,-1,-1,1,1,1,1)) # group main effect linTrend = list(c(-3,-1,1,3,-3,-1,1,3)) # linear trend linXGroup = mapply("*", groupMain, linTrend) # group x linear trend interaction中的contrasts <- list(groupMain=groupMain, linTrend=linTrend, linXGroup=linXGroup)函数。

contrast

输出中的 F 和 p 值与线性趋势的自动测试以及SPSS中混合ANCOVA生成的线性趋势的组差异相匹配。然而，混合ANCOVA不会产生估计。

使用上述程序估算效果，而不是约。 -1，就像在lsmeans中一样（并且匹配我在数据中建立的差异）是大约。 -10，这是非常不准确的。

我认为它与我如何编码对比度系数有关。我知道如果我通过将所有系数除以4来归一化contrast(lsMeansLM, contrasts)矩阵的系数，从而产生对所有时间点平均组的主要影响的准确估计。但我不知道如何准确估计各组间平均线性趋势（lmer），或对组间线性趋势差异的准确估计（{{1} }）。

我不确定这个问题是否更适合此处或Cross Validated。我首先想到的是因为它似乎与软件有关，但我知道可能涉及更深层次的问题。任何帮助将不胜感激。

Answer 1

这里的问题是timeNum是一个数字预测器。因此，交互是 slope 的比较。请注意：

> lstrends(modelLMER, ~group, var = "timeNum")
 group timeNum.trend       SE  df lower.CL upper.CL
 A          4.047168 0.229166 6.2 3.490738 4.603598
 B          2.977761 0.229166 6.2 2.421331 3.534191

Degrees-of-freedom method: satterthwaite 
Confidence level used: 0.95 
> pairs(.Last.value)
 contrast estimate        SE  df t.ratio p.value
 A - B    1.069407 0.3240897 6.2     3.3  0.0157

你的1.07 - 相反的标志，因为比较是在另一个方向。

我将进一步解释，您在问题中描述的lsmeans结果是两组意味着的比较，而不是交互对比。 lsmeans使用引用网格：

> ref.grid(modelLMER)
'ref.grid' object with variables:
    group = A, B
    timeNum = 1.5

正如您所看到的，timeNum的平均值为1.5。 LS均值是timeNum = 1.5的每个组的预测 - 通常称为调整均值;因此差异就是这两种调整手段之间的差异。

关于获得大约10.7的线性对比度所声称的差异：线性对比系数c(-3,-1,1,3)给出了线的斜率多个。要获得斜率，您需要除以sum(c(-3,-1,1,3)^2) - 并乘以2，因为对比系数增加2。

Answer 2

感谢@rvl的宝贵帮助，我能够解决这个问题。这是代码。

为了生成正确的对比度矩阵，我们首先需要将它们标准化

(mainMat <- c(-1,-1,-1,-1,1,1,1,1)) # main effects matrix
(trendMat <- c(-3,-1,1,3,-3,-1,1,3) # linear trend contrast coefficients 
(nTimePoints <- 4) # number of timePoints
(mainNorm <- 1/nTimePoints)
(nGroups <- 2) # number of between-Ss groups
(trendIncrem <- 2) # the incremental increase of each new trend contrast coefficient    
(trendNorm <- trendIncrem/(sum(trendMat^2))) # normalising the trend coefficients

现在我们以列表的形式创建几个对比度矩阵。这些是使用我们在上面创建的对象进行标准化的

(groupMain = list(mainMat*mainNorm)) # normalised group main effect
(linTrend = list(trendMat*trendNorm)) # normalised linear trend
(linXGroup = list((mainMat*trendMat)*(nGroups*trendNorm))) # group x linear trend interaction

现在将这些矩阵列表传递到主列表

contrasts <- list(groupMain=groupMain, linTrend=linTrend, linXGroup=linXGroup)

并将该主列表传递给lsmeans中的contrasts函数

contrast(lsMeansLM, contrasts)

这是输出

 contrast                                               estimate        SE df t.ratio p.value
 c(-0.25, -0.25, -0.25, -0.25, 0.25, 0.25, 0.25, 0.25)  1.927788 0.2230903  6   8.641  0.0001
 c(-0.15, -0.05, 0.05, 0.15, -0.15, -0.05, 0.05, 0.15)  3.512465 0.1609290  6  21.826  <.0001
 c(0.3, 0.1, -0.1, -0.3, -0.3, -0.1, 0.1, 0.3)         -1.069407 0.3218581  6  -3.323  0.0160

我们如何检查这些是否准确？

首先请注意group*time互动的估算值现在与

返回的值大致相同

summary(modelLMER)

主要效果＆＃39;趋势（对于缺少更好的描述符），这是两个级别的平均值的四个时间点的得分变化率为3.51。如果我们通过

将group因子的编码更改为简单编码
contrasts(df$group) <- c(-.5,.5)

再次运行summary(modelLMER)，time估算值现在为3.51。

最后，对于群组的主要影响，即群组之间的得分差异在所有时间点平均。我们可以运行

pairs(lsmeans(modelLM,"group"))

这将是-1.92。谢谢@rvl。一个很好的答案。使用afex和lsmeans，我们现在强制使用混合ANCOVA，将重复测量变量视为分类，以便我们估计趋势和主效应中的组差异，这些差异与混合效应模型返回的相似重复测量变量是连续的，和与 p - 和 F - 与SPSS匹配的值。

在afex，lsmeans和lme4包中生成类似的交互估计

2 个答案: