Üç yollu tekrarlanan önlemler ANOVA için geçerli bir post-hoc analiz nedir?

Üç yönlü tekrarlanan ölçümler ANOVA yaptım; hangi post-hoc analizler geçerlidir?

Bu, denekler içinde tekrarlanan bir ölçüye sahip faktörlerden biri ile tamamen dengeli bir tasarımdır (2x2x2). R'de tekrarlanan ölçümler ANOVA için çok değişkenli yaklaşımların farkındayım, ancak ilk içgüdüm basit bir aov () tarzı ANOVA ile devam etmektir:

aov.repeated <- aov(DV ~ IV1 * IV2 * Time + Error(Subject/Time), data=data)

DV = yanıt değişkeni

IV1 = bağımsız değişken 1 (2 seviye, A veya B)

IV2 = bağımsız değişken 2 (2 seviye, Evet veya Hayır)

IV3 = Zaman (2 seviye, Önce veya Sonra)

Konu = Konu Kimliği (40 toplam süje, her IV1 seviyesi için 20: nA = 20, nB = 20)

summary(aov.repeated)

    Error: Subject
          Df Sum Sq Mean Sq F value   Pr(>F)   
IV1       1   5969  5968.5  4.1302 0.049553 * 
IV2       1   3445  3445.3  2.3842 0.131318   
IV1:IV2   1  11400 11400.3  7.8890 0.007987 **
Residuals 36  52023  1445.1                    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

Error: Subject:Time
               Df Sum Sq Mean Sq F value   Pr(>F)   
Time            1    149   148.5  0.1489 0.701906   
IV1:Time        1    865   864.6  0.8666 0.358103   
IV2:Time        1  10013 10012.8 10.0357 0.003125 **
IV1:IV2:Time    1    852   851.5  0.8535 0.361728   
Residuals      36  35918   997.7                    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

Alternatif olarak, nlme paketini lme stili ANOVA için kullanmayı düşünüyordum:

aov.repeated2 <- lme(DV ~ IV1 * IV2 * Time, random = ~1|Subject/Time, data=data)
summary(aov.repeated2)

Fixed effects: DV ~ IV1 * IV2 * Time 
                                Value Std.Error DF   t-value p-value
(Intercept)                      99.2  11.05173 36  8.975972  0.0000
IV1                              19.7  15.62950 36  1.260437  0.2156
IV2                              65.9  15.62950 36  4.216385  0.0002 ***
Time                             38.2  14.12603 36  2.704228  0.0104 *
IV1:IV2                         -60.8  22.10346 36 -2.750701  0.0092 **
IV1:Time                        -26.2  19.97722 36 -1.311494  0.1980
IV2:Time                        -57.8  19.97722 36 -2.893295  0.0064 **
IV1:IV2:Time                     26.1  28.25206 36  0.923826  0.3617

Multukup paketinden glht () kullanarak Tukey kontrastlarıyla önemli 2 yönlü etkileşimlerin ilk içgüdü sonrası hoc'um:

data$IV1IV2int <- interaction(data$IV1, data$IV2)
data$IV2Timeint <- interaction(data$IV2, data$Time)

aov.IV1IV2int <- lme(DV ~ IV1IV2int, random = ~1|Subject/Time, data=data)
aov.IV2Timeint <- lme(DV ~ IV2Timeint, random = ~1|Subject/Time, data=data)

IV1IV2int.posthoc <- summary(glht(aov.IV1IV2int, linfct = mcp(IV1IV2int = "Tukey")))
IV2Timeint.posthoc <- summary(glht(aov.IV2Timeint, linfct = mcp(IV2Timeint = "Tukey")))

IV1IV2int.posthoc
#A.Yes - B.Yes == 0        0.94684   
#B.No - B.Yes == 0         0.01095 * 
#A.No - B.Yes == 0         0.98587    I don't care about this
#B.No - A.Yes == 0         0.05574 .  I don't care about this
#A.No - A.Yes == 0         0.80785   
#A.No - B.No == 0          0.00346 **

IV2Timeint.posthoc 
#No.After - Yes.After == 0           0.0142 *
#Yes.Before - Yes.After == 0         0.0558 .
#No.Before - Yes.After == 0          0.5358   I don't care about this
#Yes.Before - No.After == 0          0.8144   I don't care about this
#No.Before - No.After == 0           0.1941  
#No.Before - Yes.Before == 0         0.8616

Bu post-hoc analizlerde gördüğüm temel sorun, hipotezlerim için yararlı olmayan bazı karşılaştırmalardır.

Uygun bir post-hoc analiz için herhangi bir öneri büyük beğeni topluyor, teşekkürler.

Düzenleme: Manuel kontrast matrislerini test etmeye yönelik ilgili soru ve cevap

İstatistikçilerin size herhangi bir post hoc analizde her zaman bir sorun olduğunu söyleyeceğini düşünüyorum, çünkü verileri görmek baktığınız şeyi etkileyebilir ve önemli sonuçlar almak için avlandığınız için önyargılı olabilirsiniz. Klinik araştırma çalışmalarındaki FDA, istatistiksel planın protokolde tamamen belirtilmesini gerektirir. doğrusal bir modelde, ANOVA veya ANCOVA'nın genel bir fark bulması durumunda bakmak istediğiniz kontrastları önceden belirtebilirsiniz. Bu tür önceden belirlenmiş kontrastlar, çokluk için olağan tedavi de bunun bir parçası olduğu sürece bakmak iyi olacaktır.

SAS gibi bir yazılım paketiniz varsa, tekrarlanan ölçümler karışık modelini yapmak için muhtemelen proc mixed'i kullanırsınız ve SAS'ı kullanmak istediğiniz kontrastı belirlerseniz, bunu sizin için uygun şekilde ele alır. PROC GLM'deki tekrarlanan seçenekle de yapabilirsiniz, ancak farklı davranırlar ve farklı varsayımlar yaparlar çünkü dikkatli olun. Tekrarlanan gözlemler genellikle yaygındır, çünkü ortak bir şeyleri vardır. Aynı hasta üzerinde farklı zaman noktalarında sık sık tekrarlanan önlemler alıyorum. Böylece zıtlıkları hesaplarken kovaryans terimleri soruna girer.