在多个emmeans中使用lappy，错误为：下标类型无效'；S4和x27； lhiry1

你在做lappy时没有使用你迭代过的向量，你只能做一个测试，lappy不能做sense：

lhiry1 <- lmer(ACC ~ LR1st +(1|Subject),data = learndata_long3) # hierarchy 1*
lhiry2 <- lmer(ACC ~ LR2nd +(1|Subject),data = learndata_long3) # hierarchy 2*

onelmer=c(lhiry1,lhiry2)
onelmer1=c('LR1st','LR2nd')

for (i in 1:length(onelmer))

{onelmercontr[i]=lapply(onelmer,
function(x){emmeans(onelmer[[i]], pairwise ~ onelmer1[i] , adjust ="bonf")})}

尝试以下内容，仔细检查您正在迭代的内容，并确保为它们提供更好的名称（而不是onelmer1和onelmer…）：

库（emmeans）
图书馆（lme4）
种子（111）
learndata_long3=数据帧（ACC=rnorm（100），LR1st=样本（c（“a”，“b”），100，替换=TRUE），LR2nd=样本（c（“c”，“d”），100，替换=TRUE），主题=因子（rep（1:2,50）））
lhiry1您是否可以提供一些示例数据来重现问题？鉴于您只运行了两次此循环，单独运行每个循环不是更简单吗？感谢您的回复，我没有尝试其他数据，这里我有14次，只需提供一个简单的示例来修复它。对。但是，您是否可以提供一些数据（例如
iris
或
mtcars
），以便我们可以复制您的代码？我尝试了这两种方法，但数据结构不同，我的数据有很多因素，只有一列是数字的，因此我可能需要经常考虑它！它起作用了！我需要更好地了解“列表”结构，并且公式名称应该被更正！酷。谢谢你也发现了错误。我不介意你编辑它，但对于其他答案，只需留下评论，发帖的人就可以更正它。（有时评论员可能会将其视为试图回复，以获取您的信息）事实上，我不熟悉堆栈操作，所以我只是重做它。我希望我能以一种正确的方式，接受你的回答，认为这是最好的答案。谢谢！
lapply(onelmer,
function(x){emmeans(onelmer[[i]], pairwise ~ onelmer1[i] ...)})}

library(emmeans)
library(lme4)
set.seed(111)
learndata_long3 = data.frame(ACC=rnorm(100),LR1st=sample(c("a","b"),100,replace=TRUE),LR2nd = sample(c("c","d"),100,replace=TRUE),Subject = factor(rep(1:2,50)))

lhiry1 <- lmer(ACC ~ LR1st +(1|Subject),data = learndata_long3) 
lhiry2 <- lmer(ACC ~ LR2nd +(1|Subject),data = learndata_long3) 

mdls=list(lhiry1=lhiry1,lhiry2=lhiry2)
coefs=c('LR1st','LR2nd')
output= vector("list",2)

for (i in 1:length(mdls)){
output[[i]]=emmeans(mdls[[i]], 
as.formula(paste("pairwise ~",coefs[i])), 
adjust ="bonf")
}

output

[[1]]
$emmeans
 LR1st  emmean    SE   df lower.CL upper.CL
 a     -0.0836 0.150 2.73   -0.588    0.420
 b     -0.0275 0.155 3.11   -0.510    0.455

Degrees-of-freedom method: kenward-roger 
Confidence level used: 0.95 

$contrasts
 contrast estimate    SE   df t.ratio p.value
 a - b     -0.0561 0.198 97.7 -0.283  0.7777 

Degrees-of-freedom method: kenward-roger 


[[2]]
$emmeans
 LR2nd emmean    SE   df lower.CL upper.CL
 c     -0.273 0.149 3.02   -0.747    0.200
 d      0.151 0.147 2.83   -0.333    0.635

Degrees-of-freedom method: kenward-roger 
Confidence level used: 0.95 

$contrasts
 contrast estimate    SE df t.ratio p.value
 c - d      -0.424 0.192 97 -2.216  0.0290 

Degrees-of-freedom method: kenward-roger