Bir veri setini bir sabit efekt (durum) ve iki rastgele efekt (katılımcı konu tasarımı ve çifti nedeniyle katılımcı) ile karışık efektler modeli kullanarak analiz ediyorum. Model ile oluşturulan lme4
paket: exp.model<-lmer(outcome~condition+(1|participant)+(1|pair),data=exp)
.
Sonra, bu modelin sabit etki (durum) olmadan modele karşı bir olasılık oranı testi yaptım ve önemli bir farkım var. Veri setimde 3 koşul var, bu yüzden çoklu bir karşılaştırma yapmak istiyorum, ancak hangi yöntemi kullanacağımdan emin değilim . CrossValidated ve diğer forumlarda bir dizi benzer soru buldum, ancak hala oldukça kafam karıştı.
Gördüğüm kadarıyla, insanlar
1.lsmeans
- paket lsmeans(exp.model,pairwise~condition)
: Bana şu çıktıyı verir
condition lsmean SE df lower.CL upper.CL
Condition1 0.6538060 0.03272705 47.98 0.5880030 0.7196089
Condition2 0.7027413 0.03272705 47.98 0.6369384 0.7685443
Condition3 0.7580522 0.03272705 47.98 0.6922493 0.8238552
Confidence level used: 0.95
$contrasts
contrast estimate SE df t.ratio p.value
Condition1 - Condition2 -0.04893538 0.03813262 62.07 -1.283 0.4099
Condition1 - Condition3 -0.10424628 0.03813262 62.07 -2.734 0.0219
Condition2 - Condition3 -0.05531090 0.03813262 62.07 -1.450 0.3217
P value adjustment: tukey method for comparing a family of 3 estimates
2.multcomp
iki farklı yolla paket - ile mcp
glht(exp.model,mcp(condition="Tukey"))
sonuçlanan
Simultaneous Tests for General Linear Hypotheses
Multiple Comparisons of Means: Tukey Contrasts
Fit: lmer(formula = outcome ~ condition + (1 | participant) + (1 | pair),
data = exp, REML = FALSE)
Linear Hypotheses:
Estimate Std. Error z value Pr(>|z|)
Condition2 - Condition1 == 0 0.04894 0.03749 1.305 0.392
Condition3 - Condition1 == 0 0.10425 0.03749 2.781 0.015 *
Condition3 - Condition2 == 0 0.05531 0.03749 1.475 0.303
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Adjusted p values reported -- single-step method)
ve kullanarak lsm
glht(exp.model,lsm(pairwise~condition))
sonuç
Note: df set to 62
Simultaneous Tests for General Linear Hypotheses
Fit: lmer(formula = outcome ~ condition + (1 | participant) + (1 | pair),
data = exp, REML = FALSE)
Linear Hypotheses:
Estimate Std. Error t value Pr(>|t|)
Condition1 - Condition2 == 0 -0.04894 0.03749 -1.305 0.3977
Condition1 - Condition3 == 0 -0.10425 0.03749 -2.781 0.0195 *
Condition2 - Condition3 == 0 -0.05531 0.03749 -1.475 0.3098
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Adjusted p values reported -- single-step method)
Gördüğünüz gibi yöntemler farklı sonuçlar veriyor. Bu benim R ve istatistiklerle ilk defa çalıştığım için bir şeyler ters gidebilir ama nerede olduğunu bilemezdim. Sorularım:
Sunulan yöntemler arasındaki farklar nelerdir? İlgili soruların cevabında bunun özgürlük dereceleriyle ( lsmeans
vs. glht
) ilgili olduğunu okudum .
Hangisinin ne zaman kullanılacağına dair bazı kurallar veya öneriler var mı, yani yöntem 1 bu tür veri seti / modeli vb. İçin iyidir? Hangi sonucu rapor etmeliyim? Daha iyi bilmeden, muhtemelen sadece güvenli oynamam gereken en yüksek p değerini bildiririm, ancak daha iyi bir nedene sahip olmak güzel olurdu. Teşekkürler