问题标签 [lsmeans]

我正在尝试使用 lme4 R 包中的 lmer 作为解释变量来估计线性混合模型。我的代码如下所示：

我收到一个错误：

每个解释变量都被编码为因子。当我查看 lmer 函数返回的对象的类时

我明白了

ref.grid 返回

如果我尝试使用 multicomp 包进行成对比较，它工作正常

非常感谢您的帮助

这是代码示例

confint函数花费的时间是

我曾尝试使用 confint.default 但我得到一个错误

Error: $ operator not defined for this S4 class

R下面给出的是使用包分析可解析的 alpha 设计（alpha lattice design）的代码asreml。

我正在尝试使用Rpackage复制上述内容lme4。

如何计算vblup和vblue（差异的平均方差）lme4相当于？predict()$avsed ^ 2asreml

我使用带有 lmer 函数的 lme4 和 lsmeans 包计算了一个线性混合模型，其中我有一个因变量 rv 和交互因素处理、时间、年龄和种族。我对响应变量随时间的变化感兴趣，这就是我使用 lstrends 函数的原因。到目前为止，一切都很好。问题是，我必须对响应变量进行平方根才能正确拟合模型。但是pairs-function只给出对rv的平方根的响应，很难解释！

所以我尝试在对之后对响应变量进行反向转换：

正如包本身所述，这显然不起作用：

它可能类似于以下代码：

问题是，我不能只为 lsmeans 更改 lstrends 的参考网格，因为 lstrends 或 lsmeans 中的第一个参数带有 trend="time" 需要线性混合效应模型 (model.lmer) 而不是参考网格就像在 lsmeans 中一样，没有趋势参数......这可能就是为什么我不能用

这里很好地总结了我的问题：

完美运行。

给出以下错误：

如何避免错误并仍然能够对我的数据进行反向转换？

在我的实验中，我剪下植物并测量它们的反应，例如在季节结束时产生的叶片质量。我操纵了剪裁强度和剪裁时间，并跨越了这两种治疗方法。我还包括了一个控制剪裁处理，产生了 5 种不同的剪裁处理组合。每次处理 12 株植物，我在两年内跟踪了总共 60 株植物。也就是说，我在第 1 年收集了这 60 株植物的测量值，并在第 2 年再次收集了相同的植物。

这是我的设计，其中时间下的“从不”和强度下的“零”任意替换了“控制”处理：

我按照 Ben Bolker 的一项建议忽略了运行 lme4 的警告，然后对模型进行了 F 检验（R- 分析重复测量不平衡设计与 lme4？）：

方差分析输出给了我时间和强度之间的显着相互作用（p = 0.006），然后我使用以下方法进行了多重比较测试：

这是我输出的剪辑，其中 p=0.08 的唯一重要对：

为什么 Anova 认为时间*强度非常显着，但在我的多重比较测试中没有显着性？还有另一种方法我应该进行多重比较吗？

在其他多重比较输出中，我得到的 p 值高达 1.00000，这正常吗？

PS。我一辈子都无法使用 lsmeans 来处理这种不平衡的设计。输出中报告了很多 NA。

如果我使用 lsmeans 执行线性混合效果模型，如下所示：

我发现“A”有一个显着的主效应，它有三个级别。然后我使用“lsmeans”包进行了事后测试以比较三个级别：

我想知道在比较 A 的水平时，这种事后比较是否也考虑了随机因素“C”？

我有一个模型，我正在尝试研究嵌套效应的一些成对比较。我不确定我是否正确编写了模型，并且我不了解如何实际评估嵌套项。

我的数据框有一个称为“质量”的响应变量和三个称为“站点”“月”和“日”的预测变量。在我的实验装置中，我测量了每个人的质量。有两个站点。我在 4 个月内对每个站点进行了抽样。每个月有连续 4 天的采样。我想知道某一天的个人与同一个月内其他日子的个人的质量是否有显着差异。我不想将一个月的天数与另一个月的天数进行比较。

我的数据框如下

我已经写了这样的模型

该模型似乎对我有用。我了解如何评估站点和月份的交互项和主要影响，但由于某种原因我很难评估一天。我试过了

但这似乎是在测试每个成对比较，而不是遵循嵌套结构。就像我上面说的，我只想比较同一个月和同一站点内发生的日期。

虽然我知道我可以从上面进行我想要的比较，但我觉得我可能做错了什么。它也使 bonferroni 调整过度正确。

任何帮助都会很棒。谢谢

下面的代码和输出给出了我想要的解释——即底部的两个对比没有显着不同，但第三个与其他两个不同。如何找到用于此比较的比较和 p 值？

即我的目标是测试对比度 (1-2) @ target 3 明显小于其他两个对比度。

我正在尝试加载 lsmeans 库。

收到此消息：

library(lsmeans) # for lsmeans 加载所需的包：可估计性

然后我安装了

install.packages("可估计性")

但即使完成后，当我运行这个库时，我也会收到相同的消息。

library(lsmeans) # for lsmeans 加载所需的包：可估计性

有任何想法吗？

谢谢

我的数据看起来像这样，图表作为行，不同的 Ellenberg 值作为列，以及YearForest ( Skov) 和 Forest type ( Skovtype)。

我的数据来自 4 个不同的年份（1993 年、1998 年、2005 年和 2016 年）。

我的 lsmeans 函数有一些问题，我的脚本如下所示：

将年份从整数转换为因子

艾伦伯格 L - LM

LS-均值

我的输出看起来像这样，在第一个例子中是 1993 年的 NA。但是，如果我像上一个示例一样忽略与所有年份的 lsmeans的交互Skov*Year并对其进行估计。Skovtype*Year R

我的问题是；你知道我做错了什么来获得 NA 还是我错过了什么？因为我想要计算所有年份的 lsmeans 交互。