问题标签 [posthoc]

我在 R 中进行了受试者之间的重复测量方差分析，得到了与 SPSS 相同的结果。

设计如下：积极性（2 个级别）x 新近度（2 个级别）x 组（3 个级别）

结果，我进行了三向交互。现在，我想分别对三组进行所有可能的事后 t 检验。使用以下代码并使用 lsmeans 和 afex 包，这是可行的：

代码运行，但与 SPSS 输出相比，我得到了不同的结果（就 p 值和 t 值而言）。这让我感到困惑，我相信我应该得到与 SPSS 相似的结果，因为只进行了配对样本 t 检验。

我想关键点可能是两种软件的不同自由度。例如，当我在 9 名受试者的特定组中进行配对 t 检验时，在 SPSS 中，自由度为 9，而在 R 中，自由度在 89-102 之间（见附图）。为什么R这么高？还有其他用 R 复制 SPSS 的结果吗？

这是我的设计以及 SPSS 和 R 在特定患者组中的三个不同输出，用于所有可能的成对事后测试：

R的输出：

SPSS的输出：

任何人都知道在MANOVA测试后用于事后成对比较的 R 函数，即检查多个变量的组差异（我只知道进行 ANOVA 事后比较的函数，例如 pairwise.t.test() 或 TukeyHSD() ，但不是在具有多个变量的 MANOVA 之后）？谢谢！

我有一个关于在混合 glmm 模型中进行事后对比的问题。本质上，我的数据是一系列具有“主题类型”（三种类型的主题）、“治疗”（四种治疗）和“年份”（两年）的固定因子的响应变量，带有“主题编号”和“位置'作为随机效果。

正如我将在下面讨论的估计值，以下是受试者类型和治疗的平均值和标准偏差：

我的模型运行良好，如下所示：

然后我得到以下输出，一切看起来都很好：

但是，我现在希望进行事后对比，看看差异在“治疗”和“主题类型”的主要影响中的位置（即“主题类型 1 与主题类型 2 和 3 不同，还是只有 2/3 ?'。

我已经做了一些研究并尝试了几种方法，但我似乎有点迷茫，一切都给了我不同的结果，所以一些澄清将不胜感激。

最初，我将 Tukey's 与以下代码一起使用，对此我很满意，但我被告知这并未考虑其他主要效果的变化。这是我最初使用的代码和输出，当我在问题后面谈到差异的估计时，提供了 lsmeans 以供参考：

根据数据，这里的估计看起来确实是正确的，而那些被标记为显着的估计在绘制图表时确实看起来彼此不同。我还与“multcomp”包进行了类似的比较，它给出了不同的结果，并且估计的差异看起来不正确：

然后我尝试用 glht 做一个对比矩阵，它再次给出了相当不同的结果，并且根据数据，估计值再次看起来不正确：

更改校正显然会影响结果，但同样，估计看起来不正确：

最后，模型摘要中的模型比较似乎确实符合数据显示的内容，但再次提供了不同的 p 值，并且估计值似乎与数据不匹配：

所以我的总体问题是最适合用于确定治疗/受试者类型之间的比较？为什么两种 Tukey 方法提供不同的结果？很抱歉提出这么冗长的问题，非常感谢您的时间和建议。如果可以用相对简单的术语提供任何答案，我将不胜感激！谢谢！

我很难找到一个事后测试来破译“会话”或我在会话内接受治疗的时间影响。

这是我的数据：

这就是我得到重复措施的方式：

我试图破译何时有治疗影响。有任何想法吗？

使用 Field 在 Discovering Statistics Using R (第 561 页) 中提出的示例进行单向重复测量方差分析：

结果是：

改变一点'pairwise.t.test'，自由度是（科目数是8）：

到目前为止一切顺利=）

让我们模拟一个 2-way 重复测量 ANOVA：

pairwise.t.test 结果为：

和自由度：

相反，因子 Alive 有 31 个自由度。有趣的。

所以，我的问题是：为什么自由度被错误地改变了？我做错了什么？

先感谢您

干杯

我将不胜感激帮助解决以下问题。我正在使用组内 (4) 数据进行 Kruskal-Wallis 测试，并按照此处的说明进行操作：http ://rcompanion.org/handbook/F_08.html 。第一步是按中位数对组进行排序：

但是，当按中位数对组进行排序时，我收到以下错误：

$<-.data.frame( *tmp*, "Condition", value = integer(0))中的错误：替换有 0 行，数据有 128

我不确定导致错误的原因以及 KW 测试和 Dunn 事后测试是否有效，无论错误消息如何。代码和结果如下。感谢您帮助解决问题。这是我在 StackOverflow 上的第一篇文章，我对 R 也很陌生。

我对 R 很陌生，对这个网站完全陌生，所以我真的希望我能够以清晰的方式传达我的问题。

以下是我的数据集的一部分：

数据呈正态分布，但显示异方差性，因此我在创建数据框后使用了带有 Welch 校正的 ANOVA：

然后，我使用具有非合并标准差（由于异方差）的成对 t 检验进行事后比较

我的问题是我对所有的比较都不是很感兴趣，我真的只想比较 A1 和 A2，B1 和 B2 等等。我的数据集还包括 C1&2、D1&2 和 E1&2，所以我通过 p 值调整失去了相当多的意义，因为 t 检验运行了 45 对。

我当然可以通过函数单独运行我感兴趣的每个 t 检验t.test()并手动调整 p 值。但是，我很快就会有一个类似但更大的数据集，这使这项工作变得非常乏味。所以我想知道 R 中是否有一个选项可以选择包含在 中的比较pairwise.t.test()，或者是否有另一个 post hoc 选项可以实现这一点。

任何建议将不胜感激。

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

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

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）

更明确地

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

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

我想知道是否可以使用函数“TukeyHSD”来执行“aov()”模型与一个因子（例如，GROUP）和一个连续协变量（例如，AGE）的所有成对比较。我做了例如：

我收到这样的警告消息：警告消息：在复制中（粘贴（“〜”，xx），数据= mf）：非因素被忽略：gesttime

上面这个过程正确吗？警告信息的含义是什么？“TukeyHSD”是否适用于严重不平衡的设计？

另外，上面和下面的流程有区别​​吗？

最好的，苏

我正在使用包中的HSD.test功能进行 TukeyHSD 事后测试。该函数工作正常，但我不确定 p 值隐藏在哪里。中的字母表示重要性，但实际的 p 值在哪里？谢谢agricolaeRgroups