R - 重复测量分析 - LME 和 Tukey 事后检验的不同结果

Question

我目前正在 R 中对 4 个子因素进行重复测量分析：SF1、SF2、SF3、SF4

首先，需要注意的是，违反了球形假设，样本量被认为是合理的大（N = 188）。 然而，团体规模并不相等。

对比设置表明SF1和SF2（组合）明显高于SF3和SF4（组合）。 而 SF1 和 SF2（之间）和 SF3 和 SF4（之间）的值没有显着差异。 IE

Contr1<-c(1, 1, -1, -1)
Contr2<-c(1, -1, 0, 0)
Contr3<-c(0, 0, 1, -1)
contrasts(rep_table_long$Subfactor)<-cbind(Contr1, Contr2, Contr3)

一般型号代码如下

rep_model <- lme(Value ~ Subfactor, random = ~1|Subject/Subfactor, data = rep_table_long, method ="ML")

通过执行summary(rep_model)我收到了以下（截断）输出Fixed effects: Value ~ Subfactor Value Std.Error DF t-value p-value (Intercept) 5.498910 0.07229032 561 76.06703 0.0000 SubfactorContr1 0.459601 0.03066438 561 14.98811 0.0000 SubfactorContr2 0.085266 0.04336598 561 1.96619 0.0498 SubfactorContr3 0.093617 0.04336598 561 2.15877 0.0313

因此，显示SF1&SF2明显大于SF3&SF4。 但 SF1 也明显大于 SF2，因此 SF3 > SF4。

但是，这就是我提出问题的原因，事后 Tukey 测试显示了不同的结果：

> postHocs <- glht (rep_model, linfct = mcp(Subfactor = "Tukey"))
> summary(postHocs)

Simultaneous Tests for General Linear Hypotheses

Multiple Comparisons of Means: Tukey Contrasts

Fit: lme.formula(fixed = Value ~ Subfactor, data = rep_table_long, random = ~1 | Subject/Subfactor, method = "ML")

Linear Hypotheses:
              Estimate Std. Error  z value   Pr(>|z|)    
SF2- SF1 == 0   -0.1872     0.0865  -2.165    0.133    
SF3- SF1 == 0   -0.9275     0.0865 -10.723   <0.001 
SF4- SF1 == 0   -1.0981     0.0865 -12.694   <0.001 
SF3- SF2 == 0   -0.7403     0.0865  -8.559   <0.001 
SF4- SF2 == 0   -0.9109     0.0865 -10.530   <0.001
SF4- SF3 == 0   -0.1705     0.0865  -1.971    0.199`

事后 Tukey 检验的结果表明，SF2 和 SF1 之间以及 SF4 和 SF3 之间的差异没有显着差异。

为什么我在两个测试中得到不同的结果？ 是因为违反了球形度吗？ 或者我在这里做错了什么？

非常感谢任何帮助。

Answer 1

我在安迪菲尔德的书中读到了这一点。 您从计划的对照测试与事后测试中获得不同结果的原因是事后测试是双尾的，因此适用于探索性分析（= 无假设）。 然而，对比是单尾的。 当您考虑 t 检验时，是否进行双尾检验而不是单尾检验会有所不同。 此外，像 Tukey 这样的事后检验是保守的（它们缺乏统计能力）。 这些可能是您没有发现 tukey 的任何意义的原因。

此外，仅当您的样本量相等并且您确信总体方差相似时才使用 Tukey。 （并且 Tukey 使用更多的方法会更好，但情况确实如此）。

希望这有帮助。

参考：Field, A.、Miles, J. 和 Field, Z. (2012)。 使用 R. Sage 出版物发现统计数据。