실험을 위해 식물을 잘라내어 잎 말량과 같은 반응을 계절의 끝에 측정했습니다. 클리핑 강도와 클리핑 시간을 조작하고이 두 가지 처리를 교차 시켰습니다. 나는 또한 5 개의 다른 클리핑 처리 조합을 초래하는 제어 클리핑 처리를 포함했습니다. 치료 당 12 개의 식물을 가지고 나는 2 년 동안 총 60 개의 식물을 가지고 있습니다. 즉, 나는 1 년에 60 개 식물과 2 년째에 같은 식물에 대한 측정을 수집했다.불균형 설계 출력과의 R- 다중 비교는 Anova와 다릅니다
타이밍이 "절대적이지 않고"강도가 "제로"인 임의로 "제어"치료를 대신 한 나의 디자인이 여기에있다. 분산 분석 출력 사이에 나에게 의미있는 상호 작용을 준
m1<-lmer(log(plant.leaf.g)~timing*intensity*year+(1|id), data=cmv)
Anova(m1, type="III", test="F")
:
Year Timing intensity treatments
2015 early high early-high
2015 early low early-low
2015 late high late-high
2015 late low late-low
2015 never zero control
2014 early high early-high
2014 early low early-low
2014 late high late-high
2014 late low late-low
2014 never zero control
나는 lme4를 실행 한 경고를 무시하고 나중에 모델 상에 F-테스트를 실행하는 벤 Bolker 하나의 제안 (R- analyzing repeated measures unbalanced design with lme4?)를 따라 타이밍과 강도 (p = 0.006), 및 I를 이용하여 다중 비교 시험으로 추적 : 여기
cmv$SHD<-interaction(cmv$timing, cmv$intensity)
m2<-lmer(log(plant.leaf.g)~-1+SHD+(1|id),data=cmv, na.action=na.exclude)
summary(glht(m2, linfct=mcp(SHD="Tukey")))
유일한 유의 한 쌍 내 출력 클립 여기서 p = 0.08 :
Estimate Std. Error z value Pr(>|z|)
late.2014 - early.2014 == 0 -0.6584 0.3448 -1.910 0.3844
never.2014 - early.2014 == 0 0.1450 0.4102 0.354 0.9992
early.2015 - early.2014 == 0 -0.4906 0.2786 -1.761 0.4788
late.2015 - early.2014 == 0 -0.1687 0.3494 -0.483 0.9965
never.2015 - early.2014 == 0 0.4201 0.4079 1.030 0.9032
never.2014 - late.2014 == 0 0.8034 0.4119 1.951 0.3597
early.2015 - late.2014 == 0 0.1678 0.3419 0.491 0.9963
late.2015 - late.2014 == 0 0.4897 0.2724 1.797 0.4553
never.2015 - late.2014 == 0 1.0785 0.4119 2.618 0.0885 .
early.2015 - never.2014 == 0 -0.6356 0.4074 -1.560 0.6133
이유 Anova는 타이밍 * 강도가 매우 중요하다고 생각했으나 다중 비교 테스트에서는 의미가 없었습니다. 여러 비교를 수행해야하는 또 다른 방법이 있습니까?
다른 다중 비교 출력에서 1.00000만큼 높은 p 값을 얻습니다. 정상입니까?
data<-structure(list(id = c(91L, 92L, 93L, 94L, 95L, 96L, 97L, 98L,
99L, 100L, 101L, 102L, 103L, 105L, 106L, 107L, 108L, 109L, 110L,
111L, 112L, 113L, 114L, 115L, 116L, 117L, 119L, 120L, 121L, 122L,
123L, 124L, 125L, 126L, 127L, 128L, 129L, 130L, 131L, 132L, 133L,
134L, 135L, 136L, 137L, 138L, 139L, 140L, 141L, 142L, 143L, 144L,
146L, 147L, 148L, 149L, 150L, 91L, 92L, 93L, 94L, 95L, 96L, 97L,
98L, 99L, 100L, 101L, 102L, 103L, 105L, 106L, 107L, 108L, 109L,
110L, 111L, 112L, 113L, 114L, 115L, 116L, 117L, 119L, 120L, 121L,
122L, 123L, 124L, 125L, 126L, 127L, 128L, 129L, 130L, 131L, 132L,
133L, 134L, 135L, 136L, 137L, 138L, 139L, 140L, 141L, 142L, 143L,
144L, 146L, 147L, 148L, 149L, 150L), quad = c(2L, 2L, 2L, 2L,
2L, 2L, 2L, 2L, 2L, 2L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 6L,
6L, 6L, 6L, 6L, 6L, 6L, 6L, 6L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L,
1L, 1L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 3L, 3L, 3L, 3L,
3L, 3L, 3L, 3L, 3L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 5L,
5L, 5L, 5L, 5L, 5L, 5L, 5L, 5L, 6L, 6L, 6L, 6L, 6L, 6L, 6L, 6L,
6L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 4L, 4L, 4L, 4L, 4L,
4L, 4L, 4L, 4L, 4L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L), year = c(2015L,
2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L,
2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L,
2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L,
2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L,
2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L,
2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L, 2015L,
2015L, 2015L, 2014L, 2014L, 2014L, 2014L, 2014L, 2014L, 2014L,
2014L, 2014L, 2014L, 2014L, 2014L, 2014L, 2014L, 2014L, 2014L,
2014L, 2014L, 2014L, 2014L, 2014L, 2014L, 2014L, 2014L, 2014L,
2014L, 2014L, 2014L, 2014L, 2014L, 2014L, 2014L, 2014L, 2014L,
2014L, 2014L, 2014L, 2014L, 2014L, 2014L, 2014L, 2014L, 2014L,
2014L, 2014L, 2014L, 2014L, 2014L, 2014L, 2014L, 2014L, 2014L,
2014L, 2014L, 2014L, 2014L, 2014L), timing = structure(c(1L,
3L, 2L, 1L, 1L, 2L, 3L, 2L, 2L, 2L, 2L, 1L, 1L, 2L, 3L, 1L, 1L,
3L, 2L, 3L, 1L, 3L, 2L, 3L, 1L, 1L, 1L, 2L, 1L, 2L, 2L, 1L, 1L,
1L, 3L, 3L, 2L, 2L, 1L, 2L, 3L, 2L, 1L, 1L, 2L, 2L, 3L, 1L, 2L,
2L, 2L, 1L, 1L, 2L, 1L, 1L, 3L, 1L, 3L, 2L, 1L, 1L, 2L, 3L, 2L,
2L, 2L, 2L, 1L, 1L, 2L, 3L, 1L, 1L, 3L, 2L, 3L, 1L, 3L, 2L, 3L,
1L, 1L, 1L, 2L, 1L, 2L, 2L, 1L, 1L, 1L, 3L, 3L, 2L, 2L, 1L, 2L,
3L, 2L, 1L, 1L, 2L, 2L, 3L, 1L, 2L, 2L, 2L, 2L, 1L, 2L, 1L, 3L,
1L), .Label = c("early", "late", "never"), class = "factor"),
intensity = structure(c(2L, 3L, 1L, 2L, 1L, 2L, 3L, 1L, 2L,
1L, 2L, 1L, 1L, 2L, 3L, 2L, 1L, 3L, 1L, 3L, 1L, 3L, 1L, 3L,
1L, 2L, 1L, 1L, 2L, 2L, 2L, 2L, 1L, 2L, 3L, 3L, 2L, 1L, 1L,
1L, 3L, 1L, 1L, 2L, 2L, 1L, 3L, 2L, 1L, 2L, 1L, 1L, 2L, 2L,
2L, 1L, 3L, 2L, 3L, 1L, 2L, 1L, 2L, 3L, 1L, 2L, 1L, 2L, 1L,
1L, 2L, 3L, 2L, 1L, 3L, 1L, 3L, 1L, 3L, 1L, 3L, 1L, 2L, 1L,
1L, 2L, 2L, 2L, 2L, 1L, 2L, 3L, 3L, 2L, 1L, 1L, 1L, 3L, 1L,
1L, 2L, 2L, 1L, 3L, 2L, 1L, 2L, 1L, 1L, 2L, 2L, 1L, 3L, 2L
), .Label = c("high", "low", "zero"), class = "factor"),
treatment = structure(c(3L, 1L, 4L, 3L, 2L, 5L, 1L, 4L, 5L,
4L, 5L, 2L, 2L, 5L, 1L, 3L, 2L, 1L, 4L, 1L, 2L, 1L, 4L, 1L,
2L, 3L, 2L, 4L, 3L, 5L, 5L, 3L, 2L, 3L, 1L, 1L, 5L, 4L, 2L,
4L, 1L, 4L, 2L, 3L, 5L, 4L, 1L, 3L, 4L, 5L, 4L, 2L, 3L, 5L,
3L, 2L, 1L, 3L, 1L, 4L, 3L, 2L, 5L, 1L, 4L, 5L, 4L, 5L, 2L,
2L, 5L, 1L, 3L, 2L, 1L, 4L, 1L, 2L, 1L, 4L, 1L, 2L, 3L, 2L,
4L, 3L, 5L, 5L, 3L, 2L, 3L, 1L, 1L, 5L, 4L, 2L, 4L, 1L, 4L,
2L, 3L, 5L, 4L, 1L, 3L, 4L, 5L, 4L, 4L, 3L, 5L, 2L, 1L, 3L
), .Label = c("control", "early-high", "early-low", "late-high",
"late-low"), class = "factor"), plant.leaf.g = c(846.216,
382.704, 2393.088, 61.832, 1315.86, 275.816, 3705.862, 3500.52,
67.482, 432, 487.492, 1228.618, 776.16, 1575, 735.9, 2417.75,
1342.92, 2359.046, 686.726, 1385.856, 343.684, 2277.312,
465.528, 2314.584, 508.4, 1243.644, 1064.448, 1020.646, NA,
494.832, 1318.248, 1516.4, 1271.218, 512.512, 157.878, 3753.992,
586.032, 1042.176, 889.632, 651.052, 498.042, 625.872, 16.28,
497.51, 593.75, 706.84, 2238.742, 232.584, 671.532, 90.72,
1412.442, 902.728, 3077.184, 619.106, 0.576, 400.452, 684.522,
849.852, 152.76, 1280.448, 274.47, 387.614, 98.496, 2304.504,
644.952, 35.392, 250.56, 267.33, 2212.08, 2392.596, 751.944,
629.418, 731.544, 1013.196, 1516.4, 130.536, 2910.6, 554.4,
2163.35, 223.86, 2369.376, 551.976, 985.6, 1482.24, 815.386,
1664.132, 596.376, 1581.432, 217.128, 1041.656, 951.168,
256.172, 1587.148, 359.448, 546.48, 1226.544, 371.64, 293.504,
177.726, 343.26, 691.24, 207.604, 588.924, 1405.258, 136.17,
451.432, 576.18, 424.804, 884.534, 2466.45, 1524.432, 973.208,
369.474, 410.048)), .Names = c("id", "quad", "year", "timing",
"intensity", "treatment", "plant.leaf.g"), class = "data.frame", row.names = c(NA,
-114L))
ps. 나는이 삶의 균형이 맞지 않아서 일할 수 없었다. 많은 국가 표준 협회 (NAs)가 산출물에보고됩니다.
'lsmeans'이'NA's를보고하면 결과가 유일하게 추정 할 수있는 것이 아니라는 것을 요구하고있다. 그 결과 일반적으로 일부 요인 조합에서 데이터가 없기 때문입니다. 모델에 몇 가지 상호 작용을 남기지 않으면 더 잘할 수 있습니다.처음에는 three-way interaction을 생략 한'log (plant.leaf.g) ~ (timing + intensity + year)^2 + (1 | id) '모델을 피팅 해보자. – rvl
데이터 목록을 자세히 보면 '연도'와 '타이밍'의 각 조합에 대해 '강도'값만 표시됩니다. 즉,이 세 가지 요소간에 선형 의존성이 있음을 의미합니다. 그 중 하나를 모델에서 완전히 벗어나게해야합니다. 나는 당신이하는 비교의 주요 요인이 아니므로'year'를 생략하는 것이 좋습니다. – rvl
코드'log (plant.leaf.g) ~ (timing + intensity + year)^2 + (1 | id)'를 사용하면 "고정 효과 모델 행렬은 5 열/계수 (coefficient) "와"의미 (means) "는 단지 'NA'만 생성한다. 또한 내 디자인을 더 잘 표현하기 위해 데이터를 편집합니다. 이는 내가 공유 한 하위 집합이므로 내 치료의 균형을 나타내지 않기 때문입니다. 컨트롤이 아닌 동안 타이밍과 강도가 완전히 교차됩니다. @ rvl –