Question

我目前正在R中对SF1，SF2，SF3，SF4四个子因素进行重复测量分析

首先要注意，违反了球形性的假设，样本大小被认为是合理的大（N = 188）。但是，组大小不相等。

设置对比度以显示SF1和SF2（组合）显着高于SF3和SF4（组合）。而SF1和SF2（之间）以及SF3和SF4（之间）的值没有显着差异。即

Contr1<-c(1, 1, -1, -1)
Contr2<-c(1, -1, 0, 0)
Contr3<-c(0, 0, 1, -1)
contrasts(rep_table_long$Subfactor)<-cbind(Contr1, Contr2, Contr3)

通用模型代码如下

rep_model <- lme(Value ~ Subfactor, random = ~1|Subject/Subfactor, data = rep_table_long, method ="ML")

通过执行summary(rep_model)，我收到了以下（截断的）输出 Fixed effects: Value ~ Subfactor Value Std.Error DF t-value p-value (Intercept) 5.498910 0.07229032 561 76.06703 0.0000 SubfactorContr1 0.459601 0.03066438 561 14.98811 0.0000 SubfactorContr2 0.085266 0.04336598 561 1.96619 0.0498 SubfactorContr3 0.093617 0.04336598 561 2.15877 0.0313

因此，表明SF1＆SF2显着大于SF3＆SF4。但是SF1也明显大于SF2，因此SF3> SF4也是如此。

但是，这是我提出问题的原因，Tukey事后测试显示了不同的结果：

> postHocs <- glht (rep_model, linfct = mcp(Subfactor = "Tukey"))
> summary(postHocs)

Simultaneous Tests for General Linear Hypotheses

Multiple Comparisons of Means: Tukey Contrasts

Fit: lme.formula(fixed = Value ~ Subfactor, data = rep_table_long, random = ~1 | Subject/Subfactor, method = "ML")

Linear Hypotheses:
              Estimate Std. Error  z value   Pr(>|z|)    
SF2- SF1 == 0   -0.1872     0.0865  -2.165    0.133    
SF3- SF1 == 0   -0.9275     0.0865 -10.723   <0.001 
SF4- SF1 == 0   -1.0981     0.0865 -12.694   <0.001 
SF3- SF2 == 0   -0.7403     0.0865  -8.559   <0.001 
SF4- SF2 == 0   -0.9109     0.0865 -10.530   <0.001
SF4- SF3 == 0   -0.1705     0.0865  -1.971    0.199`

Tukey事后测试的结果表明，SF2和SF1之间以及SF4和SF3之间的差异没有显着差异。

为什么在两个测试中都得到不同的结果？是因为违反了球形性吗？还是我在这里做错了什么？

非常感谢您的帮助。

Answer 1

我在安迪·菲尔德（Andy Field）的书中读到了这本书。从计划的容器与事后测试中获得不同结果的原因是事后测试是两尾的，因此适合于探索性分析（=无假设）。但是，对比度是单尾的。当您考虑进行t检验时，是否进行两尾测试而不是单尾测试会有所不同。同样，事后测试（例如Tukey）是保守的（它们缺乏统计能力）。这可能就是为什么您没有发现tukey具有任何重要意义的原因。

此外，仅在样本量相等且您确信总体方差类似时使用Tukey。（Tukey使用更多的手段更好，但这是事实。）

希望这会有所帮助。

参考文献：Field，A.，Miles，J.，＆Field，Z.（2012）。使用R. Sage出版物发现统计信息。

R-重复测量分析-LME和Tukey事后测试的结果不同

1 个答案: