Bạn cần giải quyết câu hỏi thứ hai của mình về tương tác trước. Bạn chắc chắn có thể thiết lập kiểm tra tỷ lệ khả năng như trong câu trả lời của Jan van der Laan. Bạn cũng có thể sử dụng trực tiếp anova
trên đối tượng lme được trang bị. Xem trang trợ giúp cho anova.lme
để biết thêm thông tin.
Về mặt diễn giải các hệ số của mình, tôi thường thấy rằng đôi khi mất một bảng tóm tắt của nhóm có nghĩa là để tìm ra kết hợp tuyến tính của các hệ số trong mô hình đại diện cho từng nhóm. Tôi sẽ trình bày một ví dụ với việc loại bỏ đánh chặn như trong câu hỏi của bạn, mặc dù tôi thấy điều này hiếm khi giúp tôi tìm ra các hệ số của tôi khi tôi có hai yếu tố trong một mô hình. Dưới đây là ví dụ về ý nghĩa của tôi với tập dữ liệu Orthodont (mà tôi quyết định cân bằng):
require(nlme)
# Make dataset balanced
Orthodont2 = Orthodont[-c(45:64),]
# Factor age
Orthodont2$fage = factor(Orthodont2$age)
# Create a model with an interaction using lme; remove the intercept
fit1 = lme(distance ~ Sex*fage - 1, random = ~1|Subject, data = Orthodont2)
summary(fit1)
Dưới đây là các hiệu ứng cố định ước tính. Nhưng mỗi hệ số này đại diện cho cái gì?
Fixed effects: distance ~ Sex * fage - 1
Value Std.Error DF t-value p-value
SexMale 23.636364 0.7108225 20 33.25213 0.0000
SexFemale 21.181818 0.7108225 20 29.79903 0.0000
fage10 0.136364 0.5283622 61 0.25809 0.7972
fage12 2.409091 0.5283622 61 4.55954 0.0000
fage14 3.727273 0.5283622 61 7.05439 0.0000
SexFemale:fage10 0.909091 0.7472171 61 1.21664 0.2284
SexFemale:fage12 -0.500000 0.7472171 61 -0.66915 0.5059
SexFemale:fage14 -0.818182 0.7472171 61 -1.09497 0.2778
Tóm tắt các phương tiện nhóm giúp tìm ra điều này.
require(plyr)
ddply(Orthodont2, .(Sex, age), summarise, dist = mean(distance))
Sex fage dist
1 Male 8 23.63636
2 Male 10 23.77273
3 Male 12 26.04545
4 Male 14 27.36364
5 Female 8 21.18182
6 Female 10 22.22727
7 Female 12 23.09091
8 Female 14 24.09091
Lưu ý rằng hệ số hiệu ứng cố định đầu tiên, được gọi là SexMale
, là khoảng cách trung bình cho nam 8 tuổi. Hiệu ứng cố định SexFemale
là khoảng cách trung bình của nữ 8 tuổi.Đó là những thứ dễ thấy nhất (tôi luôn bắt đầu với những cái dễ), nhưng phần còn lại không quá tệ để tìm ra. Khoảng cách trung bình của nam 10 tuổi là hệ số đầu tiên cộng với hệ số thứ ba (fage10
). Khoảng cách trung bình cho nữ 10 tuổi là tổng của các hệ số SexFemale
, fage10
và SexFemale:fage10
. Phần còn lại theo cùng các dòng.
Khi bạn biết cách tạo kết hợp tuyến tính của các hệ số cho nhóm, bạn có thể sử dụng estimable
để tính toán bất kỳ sự so sánh nào. Tất nhiên có một loạt các caveats ở đây về hiệu ứng chính, bằng chứng thống kê của một tương tác, lý do lý do để lại tương tác trong, vv Đó là để bạn có thể quyết định. Nhưng nếu tôi rời khỏi tương tác trong mô hình (lưu ý không có bằng chứng thống kê về tương tác, xem anova(fit1)
) và muốn so sánh giá trị trung bình tổng thể của Male
đến Female
, tôi sẽ ghi lại các kết hợp tuyến tính sau đây:
# male/age group means
male8 = c(1, 0, 0, 0, 0, 0, 0, 0)
male10 = c(1, 0, 1, 0, 0, 0, 0, 0)
male12 = c(1, 0, 0, 1, 0, 0, 0, 0)
male14 = c(1, 0, 0, 0, 1, 0, 0, 0)
# female/age group means
female8 = c(0, 1, 0, 0, 0, 0, 0, 0)
female10 = c(0, 1, 1, 0, 0, 1, 0, 0)
female12 = c(0, 1, 0, 1, 0, 0, 1, 0)
female14 = c(0, 1, 0, 0, 1, 0, 0, 1)
# overall male group mean
male = (male8 + male10 + male12 +male14)/4
# overall female group mean
female = (female8 + female10 + female12 + female14)/4
require(gmodels)
estimable(fit1, rbind(male - female))
Bạn có thể kiểm tra nhóm tổng thể của mình có nghĩa là đảm bảo bạn đã thực hiện kết hợp tuyến tính của các hệ số một cách chính xác.
ddply(Orthodont2, .(Sex), summarise, dist = mean(distance))
Sex dist
1 Male 25.20455
2 Female 22.64773
cảm ơn đề xuất của bạn! Có vẻ như điều kiện yếu tố đầu ra (điều kiện): yếu tố (các mục) E2' và vân vân, tất cả đều so sánh với một tham chiếu, đúng không? Sau đó, làm thế nào tôi có thể biết liệu một mức độ của yếu tố 'mục' là khác nhau trên' điều kiện'? Đó là, tôi vẫn không biết cách lấy giá trị p để thử nghiệm, nói E1 khác trong 'Điều khiển 'thay vì trong' Điều trị' ... – alittleboy
Có lẽ bạn có thể thử bỏ qua '... ~ 0 +. ..' từ mô hình. Sau đó, hiệu ứng chính của điều trị 'yếu tố (điều kiện)' là sự khác biệt giữa nó và kiểm soát ở 'yếu tố (mục) E2' (và nếu nó khác biệt đáng kể so với 0, thì việc điều trị và kiểm soát là khác nhau). Vấn đề là sau đó các tương tác là cách điều trị nhiều hay ít khác với điều khiển so với sự khác biệt ở E1. Bạn có thể thử glht của multcomp - http://stackoverflow.com/a/17867984/945039 – f1r3br4nd
Câu trả lời hay. Tôi bỏ qua việc đánh chặn mất tích. Thật vậy, việc giải thích các tương phản thay đổi khi không có đánh chặn. –