Post-ho c тест для LMM с условиями взаимодействия

Question

Я определил модель Лмера в R с 2 фиксированными эффектами взаимодействия и тремя случайными эффектами Первый фиксированный эффект, «A», является категориальным, в то время как второй фиксированный эффект «B» является непрерывным:

library(lme4)
model1<- lmer(log(response)~A*B+(1|random1)+(1|random2)+(1|random3), data=Data)

Я пытался использовать lsmeans (теперь известный как emmeans):

lsmeans(model1, pairwise~A*B, adjust="tukey")

и я также попытался использовать glht:

summary(glht(model1, linfct = mcp(A*B ="Tukey")))

, но ни один из этих параметров не работает.

Я R-новичок. Как можно выполнить тест «h-1013» на моем LMM?

Answer 1

Когда вы указываете модель как A * B, вы на самом деле подбираете модель A + B + A: B, поэтому, когда вы указываете попарно для сравнения, это должен быть один из этих терминов, например:

library(lme4)
data(ToothGrowth)
ToothGrowth$id = factor(rep(1:10,6))
model = lmer(len ~ supp*dose + (1|id),data=ToothGrowth)
fixef(model)

(Intercept)      suppVC        dose suppVC:dose 
  11.550000   -8.255000    7.811429    3.904286

Для выполнения вашего postho c:

library(emmeans)

lsmeans(model,pairwise ~ supp:dose)
$lsmeans
 supp dose lsmean    SE   df lower.CL upper.CL
 OJ   1.17   20.7 0.745 30.2     19.1     22.2
 VC   1.17   17.0 0.745 30.2     15.4     18.5

Degrees-of-freedom method: kenward-roger 
Confidence level used: 0.95 

$contrasts
 contrast                                  estimate   SE df t.ratio p.value
 OJ,1.16666666666667 - VC,1.16666666666667      3.7 1.05 47 3.510   0.0010 

Метод степеней свободы: kenward-roger

В вашем случае это будет:

lsmeans(model1, pairwise~A:B, adjust="tukey")