Post-hoc-Test nach 2-Faktor-Wiederholungsmessungen ANOVA in R?

8

Ich habe Probleme, eine Lösung für die Durchführung eines Post-hoc-Tests (Tukey HSD) nach einer ANOVA mit 2 Faktoren (beide innerhalb der Probanden) mit wiederholten Messungen in R zu finden. Für die ANOVA habe ich die aov-Funktion verwendet: 

summary(aov(dv ~ x1 * x2 + Error(subject/(x1*x2)), data=df1))

Nachdem ich Antworten auf andere Fragen gelesen hatte, stellte ich fest, dass ich die ANOVA zuerst mit einer anderen Funktion (z. B. lme) erneut ausführen musste. Das habe ich mir ausgedacht.

Lme.mod <- lme(dv ~ x1*x2, random=list(subject=pdBlocked(list(~1, pdIdent(~x1-1), pdIdent(~x2-1)))), data=df1)
anova(Lme.mod)

Beide Haupteffekte waren signifikant, es gab jedoch keine Wechselwirkungseffekte. Dann habe ich diese Funktionen für die Post-hoc-Vergleiche verwendet:

summary(glht(Lme.mod, linfct=mcp(x1="Tukey")))
summary(glht(Lme.mod, linfct=mcp(x2="Tukey")))

Es gab jedoch einige Probleme:

In der R-Hilfedatei heißt es zunächst: "Die mcp-Funktion muss beim Definieren von interessierenden Parametern in Zwei-Wege-ANOVA- oder ANCOVA-Modellen (...) Multcomp Version 1.0-0 und höher mit Vorsicht verwendet werden. Dabei werden Vergleiche für die Haupteffekte erstellt Nur Kovariaten und Interaktionen werden ignoriert (ältere Versionen werden automatisch über die Interaktionsterme gemittelt). Eine Warnung wird ausgegeben. " Und natürlich habe ich die folgende Warnmeldung erhalten:

Warning message:
In mcp2matrix(model, linfct = linfct) :
covariate interactions found -- default contrast might be inappropriate

Ein weiteres Rätsel war, dass obwohl beide Haupteffekte signifikant waren, es keine signifikanten Unterschiede bei den Post-hoc-Vergleichen für einen der Faktoren gab (x1). Ich habe das noch nie erlebt. Sind die Skripte / Analysen korrekt / angemessen oder fehlt mir etwas? Jede Hilfe wäre sehr dankbar!

r anova repeated-measures post-hoc tukey-hsd goodness-of-fit curve-fitting sem latent-variable mplus anova post-hoc tukey-hsd markov-process image-processing r time-series causality granger-causality anova mixed-model lme4-nlme random-effects-model r matlab data-transformation multinomial notation estimation nonparametric logistic r missing-data multiple-imputation mice Jonna
quelle
Willkommen auf der Website, @Jonna. Interessieren Sie sich nur dafür, wie Sie R dazu bringen können, dies zu tun? In diesem Fall ist diese Frage für den Lebenslauf nicht thematisch (siehe unsere FAQ ), für den Stapelüberlauf jedoch themenbezogen . Ich kann nicht sagen, ob Ihre Frage die Art der Post-hoc-Tests mit Daten für wiederholte Messungen oder eine algorithmische Frage zur R-Codierung betrifft. Bitte bearbeiten Sie zur Verdeutlichung. (Beachten Sie, dass wir Ihr Q migrieren können, wenn Sie nur etwas über R wissen möchten. Bitte senden Sie keine Cross-Posts. )
Gung - Reinstate Monica
1
Danke @gung! Ich denke, meine Frage hat mit beidem zu tun ... Ich habe versucht, das Problem durch Bearbeiten meines Beitrags zu klären!
Jonna

Antworten:

2

Würde

df1$x1x2=interaction(df1$x1,df1$x2)
library(lmerTest)
Lme.mod <- lme(dv ~ x1x2, random=~1|subject,
               correlation=corCompSymm(form=~1|subject),
               data=df1)
anova(Lme.mod)
summary(glht(Lme.mod, linfct=mcp(x1x2="Tukey")))

Seien Sie das, wonach Sie suchen, dh führen Sie Post-Hoc-Tests unter allen Kombinationen von Messniveaus beider Faktoren x1 und x2 durch? (Ich habe auch zusammengesetzte Symmetrie auferlegt, damit das Ergebnis mit dem der wiederholten Messungen übereinstimmt, die ich aufgerufen habe.)

Tom Wenseleers
quelle
-2

Tukey Multicomparison Test

  1. Installieren Sie das Multcomp-Paket install.packages ("multcomp")

  2. Multcomp zur Verwendung in der Bibliothek verfügbar machen ("multcomp")

  3. Überprüfen Sie, ob es ausgeführt wird - Erklärt, welche Pakete derzeit in R search () geöffnet sind.

Verwenden Sie dann die Funktion glht ()

user2037072
quelle