Wie wird ein Post-Hoc-Test an einem älteren Modell durchgeführt?

Dies ist mein Datenrahmen:

Group   <- c("G1","G1","G1","G1","G1","G1","G1","G1","G1","G1","G1","G1","G1","G1","G1","G2","G2","G2","G2","G2","G2","G2","G2","G2","G2","G2","G2","G2","G2","G2","G3","G3","G3","G3","G3","G3","G3","G3","G3","G3","G3","G3","G3","G3","G3")
Subject <- c("S1","S2","S3","S4","S5","S6","S7","S8","S9","S10","S11","S12","S13","S14","S15","S1","S2","S3","S4","S5","S6","S7","S8","S9","S10","S11","S12","S13","S14","S15","S1","S2","S3","S4","S5","S6","S7","S8","S9","S10","S11","S12","S13","S14","S15")
Value   <- c(9.832217741,13.62390117,13.19671612,14.68552076,9.26683366,11.67886655,14.65083473,12.20969772,11.58494621,13.58474896,12.49053635,10.28208078,12.21945867,12.58276212,15.42648969,9.466436017,11.46582655,10.78725485,10.66159358,10.86701127,12.97863424,12.85276916,8.672953949,10.44587257,13.62135205,13.64038394,12.45778874,8.655142642,10.65925259,13.18336949,11.96595556,13.5552118,11.8337142,14.01763101,11.37502161,14.14801305,13.21640866,9.141392359,11.65848845,14.20350364,14.1829714,11.26202565,11.98431285,13.77216009,11.57303893)

data <- data.frame(Group, Subject, Value)

Dann führe ich ein linear gemischtes Effektmodell aus, um die Differenz der 3 Gruppen zu "Value" zu vergleichen, wobei "Subject" der Zufallsfaktor ist:

library(lme4)
library(lmerTest)
model <- lmer (Value~Group + (1|Subject), data = data)
summary(model)

Die Ergebnisse sind:

Fixed effects:
            Estimate Std. Error       df t value Pr(>|t|)    
(Intercept) 12.48771    0.42892 31.54000  29.114   <2e-16 ***
GroupG2     -1.12666    0.46702 28.00000  -2.412   0.0226 *  
GroupG3      0.03828    0.46702 28.00000   0.082   0.9353    

Wie kann man jedoch Gruppe2 mit Gruppe3 vergleichen? Was ist die Konvention in wissenschaftlichen Artikeln?

Sie könnten emmeans::emmeans()oder lmerTest::difflsmeans(), oder verwenden multcomp::glht().

Ich bevorzuge emmeans(vorher lsmeans).

library(emmeans)
emmeans(model, list(pairwise ~ Group), adjust = "tukey")

Note difflsmeanskann keine Mehrfachvergleiche korrigieren und verwendet statt der von emmeans verwendeten Kenward-Roger-Methode standardmäßig die Satterthwaite-Methode zur Berechnung von Freiheitsgraden.

library(lmerTest)
difflsmeans(model, test.effs = "Group")

Die multcomp::glht()Methode wird in der anderen Antwort auf diese Frage von Hack-R beschrieben.

Sie können die ANOVA-p-Werte auch abrufen, indem Sie laden lmerTestund dann verwenden anova.

library(lmerTest)
anova(model)

Um ganz klar zu sein, Sie wollten, dass der Wert für jedes Thema dreimal bewertet wird, oder? Es sieht so aus, als wäre die Gruppe innerhalb der Subjekte und nicht zwischen den Subjekten.

Nachdem Sie Ihr lmerModell angepasst haben, können Sie ANOVA, MANOVA und mehrere Vergleichsverfahren für das Modellobjekt ausführen.

library(multcomp)
summary(glht(model, linfct = mcp(Group = "Tukey")), test = adjusted("holm"))

   Simultaneous Tests for General Linear Hypotheses

Multiple Comparisons of Means: Tukey Contrasts


Fit: lmer(formula = Value ~ Group + (1 | Subject), data = data)

Linear Hypotheses:
             Estimate Std. Error z value Pr(>|z|)  
G2 - G1 == 0 -1.12666    0.46702  -2.412   0.0378 *
G3 - G1 == 0  0.03828    0.46702   0.082   0.9347  
G3 - G2 == 0  1.16495    0.46702   2.494   0.0378 *
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Adjusted p values reported -- holm method)

Was die Konvention in akademischen Veröffentlichungen betrifft, so wird dies je nach Fachgebiet, Zeitschrift und spezifischem Thema sehr unterschiedlich sein. In diesem Fall lesen Sie einfach die zugehörigen Artikel und sehen Sie, was sie tun.