मैं बार-बार उपायों एनोवा के लिए ezपैकेज का उपयोग करने से आगे बढ़ने की कोशिश कर lmeरहा हूं (जैसा कि मुझे आशा है कि मैं इसके साथ कस्टम विरोधाभासों का उपयोग करने में सक्षम होऊंगा lme)।
इस ब्लॉग पोस्ट की सलाह के बाद मैं दोनों का उपयोग करके एक ही मॉडल स्थापित करने में सक्षम था aov(जैसा ezकि अनुरोध किया जाता है) और lme। हालांकि, में दिए गए उदाहरण में, जबकि उस पोस्ट एफ -values पूरी तरह से के बीच सहमत हैं aovऔर lme(मैं इसे जाँच की, और वे करते हैं), यह अपने डेटा के लिए ऐसा नहीं है। यद्यपि F -values समान हैं, वे समान नहीं हैं।
aov1.3399 का एफ-वैल्यू lmeदेता है , 1.36264 रिटर्न देता है। मैं aovपरिणाम को "सही" के रूप में स्वीकार करने के लिए तैयार हूं क्योंकि यह वह भी है जो एसपीएसएस रिटर्न देता है (और यही मेरे क्षेत्र / पर्यवेक्षक के लिए मायने रखता है)।
प्रशन:
यह बहुत अच्छा होगा अगर कोई यह समझा सके कि यह अंतर क्यों मौजूद है और मैं
lmeविश्वसनीय परिणाम प्रदान करने के लिए कैसे उपयोग कर सकता हूं । (मैं इस प्रकार के सामान केlmerबजाय उपयोग करने केlmeलिए भी तैयार होऊंगा, अगर यह "सही" परिणाम देता है। हालांकि, मैंने अब तक इसका उपयोग नहीं किया है।)इस समस्या को हल करने के बाद मैं एक विपरीत विश्लेषण चलाना चाहूंगा। विशेष रूप से मैं कारक के पहले दो स्तरों (अर्थात
c("MP", "MT")) के पूलिंग के विपरीत में रुचि रखता हूं और कारक के तीसरे स्तर (यानी"AC") के साथ इसकी तुलना करता हूं । इसके अलावा, कारक के चौथे बनाम तीसरे स्तर का परीक्षण (यानी,"AC"बनाम"DA")।
डेटा:
tau.base <- structure(list(id = structure(c(1L, 2L, 3L, 4L, 5L, 6L, 7L, 8L,
9L, 10L, 11L, 12L, 13L, 14L, 15L, 16L, 17L, 18L, 19L, 20L, 21L,
22L, 1L, 2L, 3L, 4L, 5L, 6L, 7L, 8L, 9L, 10L, 11L, 12L, 13L,
14L, 15L, 16L, 17L, 18L, 19L, 20L, 21L, 22L, 1L, 2L, 3L, 4L,
5L, 6L, 7L, 8L, 9L, 10L, 11L, 12L, 13L, 14L, 15L, 16L, 17L, 18L,
19L, 20L, 21L, 22L, 1L, 2L, 3L, 4L, 5L, 6L, 7L, 8L, 9L, 10L,
11L, 12L, 13L, 14L, 15L, 16L, 17L, 18L, 19L, 20L, 21L, 22L), .Label = c("A18K",
"D21C", "F25E", "G25D", "H05M", "H07A", "H08H", "H25C", "H28E",
"H30D", "J10G", "J22J", "K20U", "M09M", "P20E", "P26G", "P28G",
"R03C", "U21S", "W08A", "W15V", "W18R"), class = "factor"), factor = structure(c(1L,
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L,
1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L,
2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 3L, 3L, 3L, 3L, 3L,
3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L,
3L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L,
4L, 4L, 4L, 4L, 4L, 4L, 4L), .Label = c("MP", "MT", "AC", "DA"
), class = "factor"), value = c(0.9648092876, 0.2128662077, 1,
0.0607615485, 0.9912814024, 3.22e-08, 0.8073856412, 0.1465590332,
0.9981672618, 1, 1, 1, 0.9794401938, 0.6102546108, 0.428651501,
1, 0.1710644881, 1, 0.7639763913, 1, 0.5298989196, 1, 1, 0.7162733447,
0.7871177434, 1, 1, 1, 0.8560509327, 0.3096989662, 1, 8.51e-08,
0.3278862311, 0.0953598576, 1, 1.38e-08, 1.07e-08, 0.545290432,
0.1305621416, 2.61e-08, 1, 0.9834051136, 0.8044114935, 0.7938839461,
0.9910112678, 2.58e-08, 0.5762677121, 0.4750002288, 1e-08, 0.8584252623,
1, 1, 0.6020385797, 8.51e-08, 0.7964935271, 0.2238374288, 0.263377904,
1, 1.07e-08, 0.3160751898, 5.8e-08, 0.3460325565, 0.6842217296,
1.01e-08, 0.9438301877, 0.5578367224, 2.18e-08, 1, 0.9161424562,
0.2924856039, 1e-08, 0.8672987992, 0.9266688748, 0.8356425464,
0.9988463913, 0.2960361777, 0.0285680426, 0.0969063841, 0.6947998266,
0.0138254805, 1, 0.3494775301, 1, 2.61e-08, 1.52e-08, 0.5393467752,
1, 0.9069223275)), .Names = c("id", "factor", "value"), class = "data.frame", row.names = c(1L,
6L, 10L, 13L, 16L, 17L, 18L, 22L, 23L, 24L, 27L, 29L, 31L, 33L,
42L, 43L, 44L, 45L, 54L, 56L, 58L, 61L, 64L, 69L, 73L, 76L, 79L,
80L, 81L, 85L, 86L, 87L, 90L, 92L, 94L, 96L, 105L, 106L, 107L,
108L, 117L, 119L, 121L, 124L, 127L, 132L, 136L, 139L, 142L, 143L,
144L, 148L, 149L, 150L, 153L, 155L, 157L, 159L, 168L, 169L, 170L,
171L, 180L, 182L, 184L, 187L, 190L, 195L, 199L, 202L, 205L, 206L,
207L, 211L, 212L, 213L, 216L, 218L, 220L, 222L, 231L, 232L, 233L,
234L, 243L, 245L, 247L, 250L))और कोड:
require(nlme)
summary(aov(value ~ factor+Error(id/factor), data = tau.base))
anova(lme(value ~ factor, data = tau.base, random = ~1|id))lmeमानक पाठ्यपुस्तक एनोवा (द्वारा दी गई aovऔर जो मुझे चाहिए,) के परिणामों में अंतर हैं , यह मेरे लिए कोई विकल्प नहीं है। अपने पेपर में मैं एक एनोवा की रिपोर्ट करना चाहता हूं, एनोवा की तरह कुछ नहीं। दिलचस्प रूप से वेनेबल्स और रिप्ले (2002, पी। 285) बताते हैं कि दोनों दृष्टिकोण समान अनुमानों को जन्म देते हैं। लेकिन एफ मूल्यों में अंतर मुझे एक बुरी भावना के साथ छोड़ देता है। इसके अलावा, Anova()(से car) lmeवस्तुओं के लिए केवल ची-मान लौटाता है । इसलिए मेरे लिए, मेरे पहले प्रश्न का उत्तर अभी तक नहीं दिया गया है।
lme; लेकिन विरोधाभासों के लिए, फिट glhtपर lmभी काम करता है, न केवल lmeफिट बैठता है। (इसके अलावा, lmeपरिणाम मानक पाठ्यपुस्तक परिणाम भी हैं।)
lmएक दोहराया माप विश्लेषण के लिए निर्दिष्ट नहीं कर सकते । केवल aovबार-बार किए गए उपायों से ही निपट सकते हैं, लेकिन कक्षा की एक ऐसी वस्तु लौटाएंगे, aovlistजो दुर्भाग्य से हाथ नहीं लगी glht।
lmसभी प्रभावों के लिए त्रुटि शब्द के रूप में अवशिष्ट त्रुटि का उपयोग करता है; जब ऐसे प्रभाव होते हैं जो एक अलग त्रुटि शब्द का उपयोग करना चाहिए, aovतो आवश्यक है (या इसके बजाय, lmमैन्युअल रूप से एफ-आँकड़े की गणना के परिणामों का उपयोग करके )। अपने उदाहरण में, के लिए त्रुटि अवधि factorहै id:factorबातचीत है, जो एक additive मॉडल में अवशिष्ट त्रुटि शब्द है। करने के लिए अपने परिणामों की तुलना करें anova(lm(value~factor+id))।