0

以前我在使用 lsmeans 识别组之间的显着差异同时使用 lme4 模型控制其他因素时没有任何问题。但是，使用以下数据集查看荧光 lsmeans 会产生相同的 p 值，而不管其他因子水平如何

此示例中使用的数据子集可在此处找到： https ://drive.google.com/file/d/0B3-esLisG8EbTzA3cjVpRGtjREU/view?usp=sharing

数据

响应：此处为 1/0 存在/不存在。（还有平均像素强度和 cbind 百分比覆盖）

固定因素 1：热处理 - 2 级

固定因素 2：竞争待遇 - 2 级

固定因素 3：时间处理 - 2 个级别

随机因素：无

模型创建

library(lme4)
model<-glm(presence ~ heat.treatment + competition.treatment + time.post.mating.hrs,  binomial(link= "logit"), data=gfptest)

最初包含交互项，但根据 AIC 测试，它们的存在并不显着。使用 drop1 对固定因子去除热进行显着性检验很重要

drop1(model, test= "Chi")
# presence ~ heat.treatment + competition.treatment + time.post.mating.hrs
#                      Df Deviance    AIC    LRT Pr(>Chi)   
#<none>                     30.589 38.589                   
#heat.treatment         1   39.114 45.114 8.5251 0.003503 **
#competition.treatment  1   30.876 36.876 0.2868 0.592297   
#time.post.mating.hrs   1   32.410 38.410 1.8206 0.177237

我想测试控制和热处理之间的差异，同时控制竞争处理和时间处理，例如。在 0.5 小时的时间点和没有竞争的对照和加热之间的存在显着不同，在 24 小时的时间点和没有竞争的控制和加热之间的存在显着不同，等等。我尝试了 lsmeans 函数（multcomp 产生类似的结果）

lsmeans(model, pairwise~heat.treatment+competition.treatment+time.post.mating.hrs, adjust="tukey")

更明确地

model <- lsmeans(model, "heat.treatment", by = "competition.treatment", at = list( time.post.mating.hrs = "0.5"))
modelsum<- summary(model, infer= c(TRUE,TRUE), level= .90, adjust= "bon", by="competition.treatment")
modelsum

对（型号）

但是，两者在每个组组合中都给出相同的 p 值；在查看箱线图和对数据等级进行成对 mann-whitney-U 测试时似乎不准确的东西

$contrasts
 contrast                                            estimate           SE df z.ratio p.value
control,single,0.5 - heat,single,0.5              18.3718560 2224.3464134 NA   0.008  1.0000
control,competition,0.5 - heat,competition,0.5    18.3718560 2224.3464134 NA   0.008  1.0000
control,single,24 - heat,single,24                18.3718560 2224.3464134 NA   0.008  1.0000
control,competition,24 - heat,competition,24      18.3718560 2224.3464134 NA   0.008  1.0000

我尝试探索数据框以消除相同 p 值的原因。将因子数量减少到两个并使用不同的响应变量/误差分布时，问题仍然很明显。

解决 lsmean/similar 包问题的任何帮助将不胜感激。作为次要选项，关于是否可以接受泊松/二项式 glm()s 的任何建议，然后使用 t-test/mann-whitneys 进行事后测试

4

1 回答 1

0

您会注意到 P 值都相同并且显然没有注意到估计的差异和标准误差都相同，这似乎很奇怪。大多数人首先看这些。（如果你没有，我强烈推荐它；我们应该谈论效果等，P值只是附件。）

无论如何，解释是你安装了一个加法模型——一个没有相互作用的模型。这样的模型指定一个因素的影响是完全相同的，而不管任何其他因素的水平如何。这正是您所看到的。

简而言之，这lsmeans()与您安装的模型无关，而是与一切有关。

于 2017-10-11T02:00:27.237 回答