使用具有用户定义对比度的nparcomp

我想用以下数据检验假设

H0:a2-a1=b2-b1

：

data.csv

a1,a2,b1,b2
0.439,0.066,0.0,0.001
0.451,0.07,0.0,0.0
0.446,0.06,0.0,0.0
0.34,0.056,0.0,0.0
0.294,0.008,0.0,0.0
0.284,0.002,0.001,0.0
1.0,1.0,0.002,0.0

首先，我尝试了方差分析：

library(car)
data = read.csv('data.csv')
labels = factor(rep(c('a1','a2','b1','b2'), 
                c(nrow(data['a1']), nrow(data['a2']), nrow(data['b1']), nrow(data['b2'])))) 
x = C(labels, c(-1, 1, 1, -1), 1) 
y = c(data[['a1']], data[['a2']], data[['b1']], data[['b2']]) 
l = lm(y ~ x) 
a = Anova(l)
print(a$`Pr(>F)`)

给出了

p=0.1891837

但是，由于我不能假设数据来自正态分布，因此我想使用非参数测试。我尝试使用用户定义的对比度矩阵：

library(nparcomp)
data = read.csv('data.csv')
x = factor(rep(c('a1','a2','b1','b2'), 
                c(nrow(data['a1']), nrow(data['a2']), nrow(data['b1']), nrow(data['b2'])))) 
y = c(data[['a1']], data[['a2']], data[['b1']], data[['b2']]) 
nparcomp(y ~ x, data=data.frame(x, y), type="UserDefined", contrast.matrix=t(matrix(c(-1, 1, 1, -1))))

此操作失败，错误为：

Error in nparcomp(y ~ x, data = data.frame(x, y), type =
   "UserDefined",  :   Sums of positive contrast coefficients must be 1!

我通过将对比度矩阵重新调整为

t（矩阵（c（-0.5,0.5,0.5，-0.5））

来修正这个问题。但是，此操作失败，出现另一个错误：

Error in logit.dev %*% cov.bf : non-conformable arguments

使用具有用户定义对比度的nparcomp的正确方法是什么？

---

另外，我是R的新手，因此对糟糕的编码风格表示歉意。

让我先说一句，我对这一特定的统计领域一点也不熟悉，所以尽管我的代码运行时没有错误，但我的修改可能完全改变了您尝试测试的设计-如果是这样，请告诉我。无论如何，我查看了nparcomp的定义，看看是什么导致了第一个错误，

正对比系数之和必须是1-

if (type == "UserDefined") {
        if (is.null(contrast.matrix)) {
            stop("Please eanter a contrast matrix!")
        }
        Con <- contrast.matrix
        rownames(Con) <- paste("C", 1:nrow(Con))
        for (rc in 1:nrow(Con)) {
            if (sum(Con[rc, ][Con[rc, ] > 0]) != 1) {
                stop("Sums of positive contrast coefficients must be 1!")
            }
        }
        colnames(Con) <- fl
}

将此传递给对比度矩阵不会产生任何错误，但正如我所说的，我不熟悉这个特定的过程/函数，因此我可能完全改变了您尝试测试的假设。以下是完整的代码：

library(car)
library(nparcomp)
##
data <- data.frame(
  a1=c(.439,.451,.446,
       .340,.294,.284,1.00),
  a2=c(.066,.07,.06,.056,
       .008,.002,1.00),
  b1=c(rep(0.0,5),
       .001,.002),
  b2=c(.001,
       rep(0.0,6)))
##
x <- factor(
  rep(names(data),
      each=nrow(data)))
##
y <- c(data[['a1']], data[['a2']], 
       data[['b1']], data[['b2']])
##
contrVec <- t(matrix(c(-1, 1, 1, -1)))
contrMat <- -1*(matrix(
  outer(contrVec,
        t(contrVec)),
  ncol=4)/2)
##
nprce <- nparcomp(
  y ~ x, 
  data=data.frame(x, y), 
  type="UserDefined", 
  contrast.matrix=contrMat)
##
> summary(nprce)

 #------------Nonparametric Multiple Comparisons for relative contrast effects----------# 

 - Alternative Hypothesis:  True relative contrast effect p is less or equal than 1/2 
 - Estimation Method: Global Pseudo ranks 
 - Type of Contrast : UserDefined 
 - Confidence Level: 95 % 
 - Method = Logit - Transformation 

 - Estimation Method: Pairwise rankings 

 #---------------------------Interpretation--------------------------------------------# 
 p(a,b) > 1/2 : b tends to be larger than a 
 #-------------------------------------------------------------------------------------# 

 #----Data Info-------------------------------------------------------------------------# 
  Sample Size
1     a1    7
2     a2    7
3     b1    7
4     b2    7

 #----Contrast--------------------------------------------------------------------------# 
      a1   a2   b1   b2
C 1 -0.5  0.5  0.5 -0.5
C 2  0.5 -0.5 -0.5  0.5
C 3  0.5 -0.5 -0.5  0.5
C 4 -0.5  0.5  0.5 -0.5

 #----Analysis--------------------------------------------------------------------------# 
  Comparison Estimator Lower Upper Statistic   p.Value
1        C 1     0.429 0.345 0.517 -1.593593 0.1110273
2        C 2     0.571 0.483 0.655  1.593593 0.1110273
3        C 3     0.571 0.483 0.655  1.593593 0.1110273
4        C 4     0.429 0.345 0.517 -1.593593 0.1110273

 #----Overall---------------------------------------------------------------------------# 
  Quantile   p.Value
1 1.959966 0.1110273

 #--------------------------------------------------------------------------------------# 

库（车）
图书馆（nparcomp）
##
数据编码风格不错，但是有很多语法错误。在第一段代码中，进行方差分析，在
library（car）
和
print（a$Pr（>F））
之间，你到底想做什么；将列组合成串联向量
y
；无论
y
的每个元素是否来自a1、a2、b1或b2，创建与
y
标签长度相同的系数
标签
；使用对比矩阵
c（-1,1,1，-1）
（即-a1+a2+b2-b1=0）从
标签中创建对比度
x
；根据
x
和
y
建立线性模型
l
，并根据该模型计算方差分析p值。代码松散地基于。它运行时没有任何警告，所以我很惊讶你提到了语法错误。对每一个使用相同的对比度（例如
t（matrix（replicate（4，c（-0.5，0.5，0.5，-0.5）），ncol=4））
）也可以。这是一个奇怪的怪癖。谢谢你的回答！不客气，我很高兴你能成功。我同意，这似乎有点奇怪，我很惊讶作者没有在帮助文件中包含使用
UserDefined
对比的示例。
library(car)
library(nparcomp)
##
data <- data.frame(
  a1=c(.439,.451,.446,
       .340,.294,.284,1.00),
  a2=c(.066,.07,.06,.056,
       .008,.002,1.00),
  b1=c(rep(0.0,5),
       .001,.002),
  b2=c(.001,
       rep(0.0,6)))
##
x <- factor(
  rep(names(data),
      each=nrow(data)))
##
y <- c(data[['a1']], data[['a2']], 
       data[['b1']], data[['b2']])
##
contrVec <- t(matrix(c(-1, 1, 1, -1)))
contrMat <- -1*(matrix(
  outer(contrVec,
        t(contrVec)),
  ncol=4)/2)
##
nprce <- nparcomp(
  y ~ x, 
  data=data.frame(x, y), 
  type="UserDefined", 
  contrast.matrix=contrMat)
##
> summary(nprce)

 #------------Nonparametric Multiple Comparisons for relative contrast effects----------# 

 - Alternative Hypothesis:  True relative contrast effect p is less or equal than 1/2 
 - Estimation Method: Global Pseudo ranks 
 - Type of Contrast : UserDefined 
 - Confidence Level: 95 % 
 - Method = Logit - Transformation 

 - Estimation Method: Pairwise rankings 

 #---------------------------Interpretation--------------------------------------------# 
 p(a,b) > 1/2 : b tends to be larger than a 
 #-------------------------------------------------------------------------------------# 

 #----Data Info-------------------------------------------------------------------------# 
  Sample Size
1     a1    7
2     a2    7
3     b1    7
4     b2    7

 #----Contrast--------------------------------------------------------------------------# 
      a1   a2   b1   b2
C 1 -0.5  0.5  0.5 -0.5
C 2  0.5 -0.5 -0.5  0.5
C 3  0.5 -0.5 -0.5  0.5
C 4 -0.5  0.5  0.5 -0.5

 #----Analysis--------------------------------------------------------------------------# 
  Comparison Estimator Lower Upper Statistic   p.Value
1        C 1     0.429 0.345 0.517 -1.593593 0.1110273
2        C 2     0.571 0.483 0.655  1.593593 0.1110273
3        C 3     0.571 0.483 0.655  1.593593 0.1110273
4        C 4     0.429 0.345 0.517 -1.593593 0.1110273

 #----Overall---------------------------------------------------------------------------# 
  Quantile   p.Value
1 1.959966 0.1110273

 #--------------------------------------------------------------------------------------#