Bir GLM'den sonra R'deki faktör seviyelerinin karşılaştırılması

İşte durumumla ilgili küçük bir arka plan: verilerim, avcı tarafından başarılı bir şekilde yenen av sayısını göstermektedir. Her denemede av sayısının sınırlı olması (25), mevcut av sayısını gösteren her bir denemede (yani, her denemede 25 adet) ve "Sayısı" olarak adlandırılan ve "başarı" sayılan "Sayı" olarak adlandırılan bir sütunum vardı. kaç av yemiş). Analizimi, R kitabındaki orantı verilerine dayanarak verdim (sayfa 578). Açıklayıcı değişkenler Sıcaklık (faktör olarak kabul ettiğim 4 seviye) ve avcının cinsiyeti (açıkçası, erkek veya kadın). Bu yüzden bu model ile bitirdim:

model <- glm(y ~ Temperature+Sex+Temperature*Sex data=predator, family=quasibinomial) 

Sapma Analizi tablosunu aldıktan sonra, Sıcaklık ve Cinsiyet'in (ancak etkileşimin değil) av tüketimi üzerinde önemli bir etkisi olduğu ortaya çıkmıştır. Şimdi sorunum: Hangi sıcaklıkların farklı olduğunu bilmem gerekiyor, yani 4 sıcaklığı birbiriyle karşılaştırmam gerekiyor. Doğrusal bir modelim olsaydı, TukeyHSD işlevini kullanırdım, ancak GLM kullandığım için kullanamam. MASS paketine bakıyorum ve bir kontrast matrisi oluşturmaya çalışıyorum ama bir nedenden dolayı işe yaramıyor. Herhangi bir öneri veya referans?

İşte modelimden aldığım özeti, eğer daha net göstermeye yardımcı olursa ...

y <- cbind(data$Count, data$Sample-data$Count)
model <- glm(y ~ Temperature+Sex+Temperature*Sex data=predator, family=quasibinomial) 
> summary(model)

# Call:
# glm(formula = y ~ Temperature + Sex + Temperature * Sex, family=quasibinomial, data=data)

# Deviance Residuals: 
#     Min       1Q   Median       3Q      Max  
# -3.7926  -1.4308  -0.3098   0.9438   3.6831  

# Coefficients:
#                                        Estimate Std. Error t value Pr(>|t|)    
# (Intercept)                             -1.6094     0.2672  -6.024 3.86e-08 ***
# Temperature8                             0.3438     0.3594   0.957   0.3414    
# Temperature11                           -1.0296     0.4803  -2.144   0.0348 *  
# Temperature15                           -1.2669     0.5174  -2.449   0.0163 *  
# SexMale                                    0.3822     0.3577   1.069   0.2882    
# Temperature8:SexMale                    -0.2152     0.4884  -0.441   0.6606    
# Temperature11:SexMale                    0.4136     0.6093   0.679   0.4990    
# Temperature15:SexMale                    0.4370     0.6503   0.672   0.5033    
# ---
# Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

# (Dispersion parameter for quasibinomial family taken to be 2.97372)    
#     Null deviance: 384.54  on 95  degrees of freedom
# Residual deviance: 289.45  on 88  degrees of freedom
# AIC: NA   
# Number of Fisher Scoring iterations: 5

Anne, genel olarak bu kadar çok karşılaştırmanın nasıl yapıldığını kısaca anlatacağım. Bu sizin durumunuzda neden işe yaramıyor, bilmiyorum; Üzgünüm.

Ancak normalde, multcomppaket ve işlev ile yapabilirsiniz glht. İşte bir örnek:

mydata      <- read.csv("http://www.ats.ucla.edu/stat/data/binary.csv")
mydata$rank <- factor(mydata$rank)
my.mod      <- glm(admit~gre+gpa*rank, data=mydata, family=quasibinomial)

summary(my.mod)
# 
# Coefficients:
#              Estimate Std. Error t value Pr(>|t|)  
# (Intercept) -4.985768   2.498395  -1.996   0.0467 *
# gre          0.002287   0.001110   2.060   0.0400 *
# gpa          1.089088   0.731319   1.489   0.1372  
# rank2        0.503294   2.982966   0.169   0.8661  
# rank3        0.450796   3.266665   0.138   0.8903  
# rank4       -1.508472   4.202000  -0.359   0.7198  
# gpa:rank2   -0.342951   0.864575  -0.397   0.6918  
# gpa:rank3   -0.515245   0.935922  -0.551   0.5823  
# gpa:rank4   -0.009246   1.220757  -0.008   0.9940  
# ---
# Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Tukey'nin HSD'sini rankkullanmak arasındaki ikili karşılaştırmaları hesaplamak istiyorsanız, bunu şu şekilde yapabilirsiniz:

library(multcomp)
summary(glht(my.mod, mcp(rank="Tukey")))
# 
#    Simultaneous Tests for General Linear Hypotheses
# 
# Multiple Comparisons of Means: Tukey Contrasts
# 
# Fit: glm(formula = admit ~ gre + gpa * rank, family = quasibinomial, data = mydata)   
# 
# Linear Hypotheses:
#            Estimate Std. Error z value Pr(>|z|)
# 2 - 1 == 0   0.5033     2.9830   0.169    0.998
# 3 - 1 == 0   0.4508     3.2667   0.138    0.999
# 4 - 1 == 0  -1.5085     4.2020  -0.359    0.984
# 3 - 2 == 0  -0.0525     2.6880  -0.020    1.000
# 4 - 2 == 0  -2.0118     3.7540  -0.536    0.949
# 4 - 3 == 0  -1.9593     3.9972  -0.490    0.960
# (Adjusted p values reported -- single-step method)
# 
# Warning message:
# In mcp2matrix(model, linfct = linfct) :
#   covariate interactions found -- default contrast might be inappropriate

Tüm ikili karşılaştırmalar değeri ile birlikte verilmiştir . Uyarı: Bu karşılaştırmalar yalnızca ana etkilerle ilgilidir. Etkileşimler yoksayılır. Eğer etkileşimler mevcutsa, bir uyarı verilecektir (yukarıdaki çıktıdaki gibi). Etkileşimler olduğunda nasıl ilerleyeceğiyle ilgili daha kapsamlı bir eğitim için, bu ek çok bilişim örneklerine bakın .$p$

Not: Yorumlarda @gung un yazdığı gibi, - mümkün olduğunda - kategorik bir değişken yerine sıcaklığı sürekli olarak eklemelisiniz. Etkileşim ile ilgili: Etkileşim teriminin model uyumunu önemli ölçüde iyileştirip iyileştirmediğini kontrol etmek için olasılık oranı testi gerçekleştirebilirsiniz. Senin durumunda, kod şöyle bir şey olurdu:

# Original model
model <- glm(y ~ Temperature+Sex+Temperature*Sex, data=predator, family=quasibinomial) 

# Model without an interaction
model2 <- glm(y ~ Temperature+Sex data=predator, family=quasibinomial) 

# Likelihood ratio test
anova(model, model2, test="LRT")

Bu test anlamlı değilse, etkileşimi modelinizden kaldırabilirsiniz. Belki glhto zaman çalışır?