Question

我的实验由两个因素组成，一个在受试者之间，另一个在受试者内部。时间是受试者之间的因素，并保持两个水平：（低和高）。 Times是主题内的因素，它具有三个层次：1、4、5。dv是我的因变量，id是每个参与者的标识符。我附加了前6位参与者的数据。

我使用R进行了ANOVA，这两个因素均产生了显着结果。我有两个计划的对比：

1）在时间1，我想比较两个年龄段（低与高）。也就是说，主题之间的比较。

2）在年龄较低的时候，我想比较时间1和时间5。也就是说，在主题内进行比较。

我当然可以执行t检验，但这似乎不合适，因为我可以在此处将更多单元格作为标准误差估算的基础。我的问题是如何进行上述对比？什么是适当的自由度？

structure(list(id = structure(c(1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 
2L, 2L, 2L, 2L, 3L, 3L, 3L, 3L, 3L, 3L, 4L, 4L, 4L, 4L, 4L, 4L, 
5L, 5L, 5L, 5L, 5L, 5L), .Label = c("1", "2", "3", "5", "6", 
"7", "8", "11", "12", "13", "15", "17", "18", "19", "20", "21", 
"22", "23", "24", "25", "27", "28", "29", "31", "32", "34", "35", 
"36", "37", "38", "39", "40", "42", "43", "44", "45", "46", "47", 
"48", "49", "52", "53", "54", "55", "56", "58", "59", "60", "62", 
"63", "64", "66", "67", "68", "69", "70", "71", "72", "73", "74", 
"75", "77", "79", "80", "81", "83", "84", "85", "86", "87", "88", 
"89", "90", "91", "92", "93", "94", "96", "97", "98", "99", "100", 
"101", "102", "103", "104", "105", "106", "107", "108", "109", 
"110", "111", "112", "113", "114", "115", "116", "117", "118", 
"119", "120", "121", "122", "123", "124", "125", "126", "127", 
"128", "129", "130", "132", "133", "134", "135", "136", "137", 
"138", "139", "140", "142", "143", "144", "145", "146", "147", 
"148", "149", "150", "151", "152", "153", "154", "156", "157", 
"158", "159", "160", "161", "162", "163", "165", "166", "167", 
"168", "169", "171", "172", "174", "175", "176", "177", "178", 
"179", "180", "181", "182", "183", "184", "185", "186", "187", 
"188", "189", "190", "191", "192", "193", "194", "195", "196", 
"200", "201", "202", "203", "204", "205", "206", "208", "209", 
"210", "212", "213", "214", "215", "216", "217", "218", "219", 
"220", "222", "223", "224", "226", "228", "230", "231", "232", 
"233", "234", "236", "237", "238", "239", "240", "241", "242", 
"243", "244", "246", "247", "248", "249", "250", "251", "252", 
"253", "254", "255", "256", "257", "258", "260", "261", "262", 
"263", "266", "267", "269", "270", "271", "272", "273", "274", 
"275", "276", "277", "278", "279", "280", "281", "282", "283", 
"284", "285", "286", "287", "288", "289", "290", "291", "292", 
"293", "294", "295", "296", "298", "299", "300"), class = "factor"), 
    age = structure(c(2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 
    2L, 2L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 
    2L, 2L, 2L, 2L, 2L), .Label = c("high", "low"), class = "factor"), 
    time = structure(c(3L, 3L, 2L, 2L, 1L, 1L, 3L, 3L, 2L, 2L, 
    1L, 1L, 3L, 3L, 2L, 2L, 1L, 1L, 3L, 3L, 2L, 2L, 1L, 1L, 3L, 
    3L, 2L, 2L, 1L, 1L), .Label = c("1", "4", "5"), class = "factor"), 
    dv = c(104, 102, 104, 103, 104, 104, 102, 102, 102, 102, 
    106, 106, 106, 106, 107, 107, 106, 106, 106, 107, 105, 104, 
    106, 107, 104, 101, 104, 101, 104, 106)), row.names = c(NA, 
-30L), class = c("tbl_df", "tbl", "data.frame"))

Answer 1

加载lme4软件包和emmeans软件包，该软件包适合多层模型（替代重复测量方差分析），该软件包可以进行对比。

library(lme4)
library(emmeans)

这适合模型，其中dv是通过交互作用预测的（R自动填充主要效果），再加上time的随机截距和随机效果-两者都嵌套在{{ 1}}。 id是我从您的帖子中的dat中保存的内容。

dput

对比度令人困惑，我总是偏执，要弄错了。因此，我们可以使用mod <- lmer(dv ~ age * time + (1 + time | id), dat)来找到它们。我们可以拟合一个emmeans对象，该对象获取emmeans和time的每种组合的值：

age

我们想要的对比度是emm_mod <- emmeans(mod, ~ time + age)结果的第三和第十四（您可以自行运行以查看其外观）。通过将pairs()放在coef()对象周围，可以获得所需的特定对比度。您只需要两列-第三和第14：

pairs()

哪个返回：

(contr_mat <- coef(pairs(emm_mod))[, c("c.3", "c.14")])

您可以通过在c.3 c.14 1,high 1 0 4,high 0 0 5,high 0 0 1,low -1 1 4,low 0 0 5,low 0 -1中指定它们来关注这两种对比。您还可以使用contr进行选择的p值调整，无论如何-我将从adjust开始：

"holm"

emmeans(mod, ~ time + age, contr = contr_mat, adjust = "holm")位将为您提供您感兴趣的p值：

contrasts

您也可以尝试$emmeans time age emmean SE df lower.CL upper.CL 1 high 106.2500 0.6518719 3 104.1755 108.3245 4 high 105.7500 0.8544406 3 103.0308 108.4692 5 high 106.2500 0.4759431 3 104.7353 107.7647 1 low 105.0000 0.5322511 3 103.3061 106.6939 4 low 102.6667 0.6976478 3 100.4464 104.8869 5 low 102.5000 0.3886059 3 101.2633 103.7367 Degrees-of-freedom method: kenward-roger Confidence level used: 0.95 $contrasts contrast estimate SE df t.ratio p.value c.3 1.25 0.8415630 3 1.485 0.2341 c.14 2.50 0.7104068 3 3.519 0.0779 P value adjustment: holm method for 2 tests：

adjust = "none"

混合模型中的计划对比

1 个答案: