R: сравнительные сравнения с использованием оценочных предельных средних, но без учета равных отклонений - PullRequest
Новая
       111

R: сравнительные сравнения с использованием оценочных предельных средних, но без учета равных отклонений

0 голосов
/ 13 июня 2018

Я пытаюсь использовать R для проведения сравнительных сравнений после значительного взаимодействия для смешанного метода Anova.Я хотел бы сделать post-hoc аналогично SPSS [EMMEANS = TABLES (Group * time) COMPARE (Group) ADJ (BONFERRONI)], используя предполагаемые предельные средние, но не предполагая равенство дисперсии.

Зависимая переменная = 'depvar'.У меня есть 3 группы («группа») и 3 временные точки («timept»), которые представляют собой повторяющиеся измерения над субъектами («id»); 

aov_car(depvar ~ group*timept + Error(id/(timept)), data=myData)

Если я использую pairwise.t.test, я могусравнивайте группы отдельно для каждой временной точки, но R использует наблюдаемые средние значения, и я не знаю, как форсировать, используя оценочные предельные средние значения моей модели: 

for (itimept in unique(myData$timept)){
      idx=myData$timept==itimept
      pairwise.t.test(myData$depvar[idx],myData$group[idx],p.adj="bonferroni")
    }

Если я использую emmeans или lsmeans, то R использует оценочныепредельные значения, но предполагают, что отклонения одинаковы (SE в результатах все одинаковы).

myfit=lme(depvar ~ group*timept, random = ~1|id/timept, data=myData)
emmeans(myfit, pairwise~group|timept, adjust="bonferroni")

Как я могу выполнить постфактумные сравнения между группами для каждой временной точки, используя оценочные предельные средние значения, но не принимая равные отклонения, подобные SPSS?

Спасибо!Cristina

1 Ответ

0 голосов
/ 15 июня 2018

Это не emmeans, который предполагает равные отклонения.Это модель , которую вы установили, а затем передали emmeans для дальнейшего анализа.Подберите другую модель, используя, я думаю, аргумент weights, который определяет неравные отклонения.

Я считаю, что эта модель справится с задачей: 

myfit = lme(depvar ~ group*timept, 
            random = ~1|id/timept, 
            weights = varFunc(~ group*timept),
            data = myData)
...