Question

我已经采用线性混合模型进行了分块图设计，以评估水，氮和磷对BWC（生物量加权的2c值，通过将每个物种的2C值的乘积相加得出（DNA含量）及其生物量分数（物种子图生物量/总子图生物量）：

model1.1<-lmer(log(BWC)~W*N*P+(1|year)+(1|W:Block),data=BWC)

W（0,1），N（0,1）和p（0,1）有两个级别，我想使用boxplot将线性混合模型的输出报告给我。但是，我对线性混合模型的输出感到困惑。

在model1.1中W N P的估计值（斜率）为负，这是否意味着WNP处理与对照图相比将减少BWC？但是我们可以看到，在WNP处理下，箱中BWC最高。
summary（）和anova（）之间存在差异，例如，N和P效果的重要性。 N的估计值为-4.0911，这意味着N的添加减少了BWC，但是N的影响不明显。如何报告类似N的治疗效果？

非常感谢您的任何评论。在BWC上进行WNP治疗的箱线图： enter image description here

https://i.stack.imgur.com/cKOFt.png （很抱歉，这些链接似乎至少需要10个信誉才能发布图像）

summary（）和anova（）输出：

> summary(model1) 

Linear mixed model fit by REML. t-tests use Satterthwaite's method ['lmerModLmerTest']
Formula: BWC ~ W * N * P + (1 | year) + (1 | W:Block)
   Data: BWC
REML criterion at convergence: 2969.1
Scaled residuals: 
     Min       1Q   Median       3Q      Max 
-2.93847 -0.71228 -0.07573  0.68191  2.92589 
Random effects:
 Groups   Name        Variance Std.Dev.
 W:Block  (Intercept)  0.9169  0.9575  
 year     (Intercept)  0.8346  0.9136  
 Residual             18.2966  4.2774  
Number of obs: 515, groups:  W:Block, 14; year, 10

Fixed effects:
            Estimate Std. Error       df t value Pr(>|t|)    
(Intercept)  10.8498     0.6985  46.5200  15.532  < 2e-16 ***
W1            2.0844     0.8969  45.9613   2.324  0.02460 *  
N1           -4.0911     0.7364 486.0288  -5.556 4.56e-08 ***
P1           -2.0460     0.7600 490.1120  -2.692  0.00734 ** 
W1:N1         4.6738     1.0394 485.9800   4.497 8.65e-06 ***
W1:P1         0.9695     1.0687 485.9809   0.907  0.36478    
N1:P1         5.7550     1.0687 485.9773   5.385 1.13e-07 ***
W1:N1:P1     -3.3306     1.5100 485.9541  -2.206  0.02788 *  
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Correlation of Fixed Effects:
         (Intr) W1     N1     P1     W1:N1  W1:P1  N1:P1 
W1       -0.645                                          
N1       -0.531  0.414                                   
P1       -0.515  0.401  0.488                            
W1:N1     0.376 -0.582 -0.708 -0.346                     
W1:P1     0.366 -0.566 -0.347 -0.706  0.488              
N1:P1     0.366 -0.285 -0.689 -0.706  0.488  0.502       
W1:N1:P1 -0.259  0.400  0.488  0.499 -0.688 -0.708 -0.708

> anova(model1)
Type III Analysis of Variance Table with Satterthwaite's method
      Sum Sq Mean Sq NumDF  DenDF F value    Pr(>F)    
W     750.15  750.15     1  11.90 40.9995 3.519e-05 ***
N      10.84   10.84     1 485.95  0.5926   0.44177    
P      29.14   29.14     1 494.92  1.5926   0.20755    
W:N   290.51  290.51     1 485.95 15.8778 7.793e-05 ***
W:P    15.54   15.54     1 485.96  0.8493   0.35721    
N:P   536.85  536.85     1 485.95 29.3415 9.562e-08 ***
W:N:P  89.01   89.01     1 485.95  4.8648   0.02788 *  
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

> emmeans::emmeans(model1,pairwise~N*P*W)
$emmeans
 N P W emmean    SE   df lower.CL upper.CL
 0 0 0  10.85 0.699 46.9     9.44    12.26
 1 0 0   6.76 0.696 46.2     5.36     8.16
 0 1 0   8.80 0.721 52.1     7.36    10.25
 1 1 0  10.47 0.721 52.1     9.02    11.91
 0 0 1  12.93 0.696 46.2    11.53    14.33
 1 0 1  13.52 0.696 46.2    12.12    14.92
 0 1 1  11.86 0.721 52.1    10.41    13.30
 1 1 1  14.86 0.721 52.1    13.42    16.31

Degrees-of-freedom method: kenward-roger 
Confidence level used: 0.95

线性混合模型的summary（）和anova（）之间的差异

0 个答案: