0

我最初在交叉验证上发布了这个，但我认为它可能更适合 SO，因为它纯粹是关于软件语法。

这是这篇文章的后续问题 。我进行了多项逻辑回归，检查受访者的对数几率差异，表明他们使用医用大麻或医用大麻治疗了一系列不同的医疗状况（pain、sleep、心理健康/物质使用 ( mhsu) 和所有其他状况 ( allOther)） 。licitillicit

这是玩具数据

df <- tibble(mcType = factor(rep(c("licit", "illicit"),
                                 times = c(534,1207))),
             cond = factor(c(rep(c("pain","mhsu","allOther","sleep"), 
                                 times = c(280,141,82,31)),
                             rep(c("pain","mhsu","allOther","sleep"), 
                                 times = c(491,360,208,148))),
                           levels = c("pain","sleep","mhsu","allOther")))

以及每种大麻报告的每种疾病的比例

mcType  cond         n   tot  perc
<fct>   <fct>    <int> <int> <dbl>
1 illicit pain       491  1207 40.7 
2 illicit sleep      148  1207 12.3 
3 illicit mhsu       360  1207 29.8 
4 illicit allOther   208  1207 17.2 
5 licit   pain       280   534 52.4 
6 licit   sleep       31   534  5.81
7 licit   mhsu       141   534 26.4 
8 licit   allOther    82   534 15.4

为了了解根据他们使用的大麻类型报告的每种情况的相对比例是否存在差异，我multinom()在nnet包中使用了多项逻辑回归。下面的输出，

library(nnet)
summary(mm <- multinom(cond ~ mcType,
                       data = df))


# output
Coefficients:
  (Intercept) mcTypelicit
sleep     -1.1992431  -1.0014884
mhsu      -0.3103369  -0.3756443
allOther  -0.8589398  -0.3691759

Std. Errors:
  (Intercept) mcTypelicit
sleep     0.09377333   0.2112368
mhsu      0.06938587   0.1244098
allOther  0.08273132   0.1503720

Residual Deviance: 4327.814 
AIC: 4339.814

emmeans我使用包运行了简单效果的测试。在这篇博文中，作者建议 emmeans 包默认应用纠错，但您可以通过adjust = 参数进行控制。

# testing effect of mc type at each level of condition. first create emmeans object
library(emmeans)
(em_mcTypeByCond <- emmeans(object = mm,
                            specs = ~mcType|cond,
                            adjust = "bonferroni"))

# output  
cond = pain:
 mcType    prob      SE df lower.CL upper.CL
 illicit 0.4068 0.01414  6   0.3648   0.4488
 licit   0.5243 0.02161  6   0.4602   0.5885

cond = sleep:
 mcType    prob      SE df lower.CL upper.CL
 illicit 0.1226 0.00944  6   0.0946   0.1506
 licit   0.0581 0.01012  6   0.0280   0.0881

cond = mhsu:
 mcType    prob      SE df lower.CL upper.CL
 illicit 0.2983 0.01317  6   0.2592   0.3374
 licit   0.2641 0.01908  6   0.2074   0.3207

cond = allOther:
 mcType    prob      SE df lower.CL upper.CL
 illicit 0.1723 0.01087  6   0.1401   0.2046
 licit   0.1535 0.01560  6   0.1072   0.1999

Confidence level used: 0.95 
Conf-level adjustment: bonferroni method for 2 estimates

问题是我似乎无法选择任何其他纠错方法（例如“BH”、“fdr”、“westfall”、“holm”）。我不确定是否是因为我在错误的步骤中应用了更正，即在我应用任何测试之前。

所以我尝试在pairs()函数中应用adjust参数（测试两种​​大麻之间每个条件的概率差异）

(mcTypeByCond_test <- pairs(em_mcTypeByCond,
                            adjust = "bonferroni"))

cond = pain:
 contrast        estimate     SE df t.ratio p.value
 illicit - licit  -0.1175 0.0258  6 -4.551  0.0039 

cond = sleep:
 contrast        estimate     SE df t.ratio p.value
 illicit - licit   0.0646 0.0138  6  4.665  0.0034 

cond = mhsu:
 contrast        estimate     SE df t.ratio p.value
 illicit - licit   0.0342 0.0232  6  1.476  0.1905 

cond = allOther:
 contrast        estimate     SE df t.ratio p.value
 illicit - licit   0.0188 0.0190  6  0.987  0.3616

但是正如您所看到的，这并没有提供任何消息告诉我应用了哪种类型的纠错（我假设没有，并尝试了几种不同的方法）。我还想控制所有四个成对比较的错误。

所以我需要知道我需要如何以及在什么阶段来指定p值调整的参数。

非常感谢任何帮助

4

1 回答 1

1

P 值调整应用于每个by组，并且每个组中只有一个比较 - 因此没有多重性。未进行任何调整时，不会显示有关调整的注释。

要对所有结果应用调整，您需要by在显示结果时从考虑中删除变量：

summary(pairs(...), by = NULL, adjust = "bonf")
于 2021-09-24T14:34:37.930 回答