在R中使用ezANOVA输出的计划对比
我一直在研究使用计划对比,而不是事后t检验。我通常使用在R中使用ezANOVA输出的计划对比,r,anova,posthoc,R,Anova,Posthoc,我一直在研究使用计划对比,而不是事后t检验。我通常使用ezANOVA(III型ANOVA),但目前似乎不适合使用ezANOVA进行计划对比 另一方面,aov()是一个I型方差分析(我不想讨论哪种类型最适合哪种类型的设计)。直接使用aov()(对于组间设计)进行计划对比是很简单的,但我想在重复测量中进行III型方差分析,坦率地说ezANOVA的输出更加用户友好 请记住,ezANOVA可以选择包含return\u aov=TRUE是否有人知道使用ezANOVA提供的信息进行计划对比的方法 注意:re
ezANOVA
(III型ANOVA),但目前似乎不适合使用ezANOVA
进行计划对比
另一方面,aov()
是一个I型方差分析(我不想讨论哪种类型最适合哪种类型的设计)。直接使用aov()
(对于组间设计)进行计划对比是很简单的,但我想在重复测量中进行III型方差分析,坦率地说ezANOVA
的输出更加用户友好
请记住,ezANOVA
可以选择包含return\u aov=TRUE
是否有人知道使用ezANOVA
提供的信息进行计划对比的方法
注意:return\u aov=TRUE
允许通过以下内容访问aov
的输出:
summary.lm(ModelName$aov$'Participant:IndependentVariable1')
上面的参与者是添加到ezANOVA
中的wid
的示例变量:
wid = .(Participant)
summary.lm()
通常用于在aov
中呈现计划对比结果,组间ANOVA与重复测量相对应
我特别感兴趣的是使用输出对重复测量ANOVA进行计划对比
赏金目标
我想从这份赏金中实现的目标:
1) 使用ezANOVA
的输出在重复测量方差分析中进行计划对比
1A)使用ezANOVA
的输出对受试者之间的方差分析进行计划对比(这一项应该相对容易,因此不需要申请奖金。)
任何虚拟数据都应该足够,但这里提醒您重复测量ANOVA的格式:
ModelName <- ezANOVA(
data = DataSet,
dv = .(DependentVariable),
wid = .(Participant),
within = .(IndependentVariable1, IndependentVariable2),
type=3,
detailed = TRUE,
return_aov = TRUE)
ModelName该emmeans
软件包提供适当的功能,用于计算aov
和aovlist
对象的估计边际均值(EMMs)的自定义对比度/任意线性函数(请参阅支持的模型的完整列表)
下面我使用ez
包附带的ANT
数据集
首先,我们使用ezANOVA
建立一个混合因子方差分析。注意,为了获得有意义的III型试验,需要设置正交对比度(例如,参见John Fox的答案)
库(“ez”)
图书馆(“emmeans”)
#设置正交对比度
选项(对比度=c(“对比度总和”、“对比度多边形”))
数据(蚂蚁)
rt_anova根据软件包开发人员在2012年左右发表的一份声明,没有办法使用ez
进行计划对比。看见但是,如果您遵循此链接,将讨论可能有用的替代方案。看看他是否从那时起更新了一些东西也可能有用…@coffeinjunky我怀疑作者指的是缺乏用ezANOVA编写的直接功能,但可能会使用它生成的信息来处理新功能。例如,我为ggplot 2提供了一个“hack”,它使用了可用的功能,但在这里并不是故意的:这就是我希望这次赏金能够鼓励的。
library("ez")
library("emmeans")
# set orthogonal contrasts
options(contrasts = c("contr.sum", "contr.poly"))
data(ANT)
rt_anova <- ezANOVA(data = ANT[ANT$error == 0, ],
dv = rt,
wid = subnum,
within = .(cue, flank),
between = group,
type = 3,
return_aov = TRUE)
emm <- emmeans(rt_anova$aov, ~ group * flank)
emm
## group flank emmean SE df lower.CL upper.CL
## Control Neutral 381.5546 1.735392 53.97 378.0753 385.0339
## Treatment Neutral 379.9286 1.735392 53.97 376.4493 383.4079
## Control Congruent 381.6363 1.735392 53.97 378.1570 385.1155
## Treatment Congruent 379.7520 1.735392 53.97 376.2727 383.2313
## Control Incongruent 466.6770 1.735392 53.97 463.1977 470.1563
## Treatment Incongruent 452.2352 1.735392 53.97 448.7559 455.7145
# all pairwise comparisons
pairs(emm, adjust = "Holm")
## contrast estimate SE df t.ratio p.value
## Control,Neutral - Treatment,Neutral 1.62594836 2.454215 53.97 0.663 1.0000
## Control,Neutral - Control,Congruent -0.08167403 2.473955 36.00 -0.033 1.0000
## Control,Neutral - Treatment,Congruent 1.80259257 2.454215 53.97 0.734 1.0000
## Control,Neutral - Control,Incongruent -85.12239797 2.473955 36.00 -34.407 <.0001
## Control,Neutral - Treatment,Incongruent -70.68062093 2.454215 53.97 -28.800 <.0001
## Treatment,Neutral - Control,Congruent -1.70762239 2.454215 53.97 -0.696 1.0000
## Treatment,Neutral - Treatment,Congruent 0.17664421 2.473955 36.00 0.071 1.0000
## Treatment,Neutral - Control,Incongruent -86.74834633 2.454215 53.97 -35.347 <.0001
## Treatment,Neutral - Treatment,Incongruent -72.30656929 2.473955 36.00 -29.227 <.0001
## Control,Congruent - Treatment,Congruent 1.88426660 2.454215 53.97 0.768 1.0000
## Control,Congruent - Control,Incongruent -85.04072394 2.473955 36.00 -34.374 <.0001
## Control,Congruent - Treatment,Incongruent -70.59894690 2.454215 53.97 -28.766 <.0001
## Treatment,Congruent - Control,Incongruent -86.92499054 2.454215 53.97 -35.419 <.0001
## Treatment,Congruent - Treatment,Incongruent -72.48321351 2.473955 36.00 -29.299 <.0001
## Control,Incongruent - Treatment,Incongruent 14.44177704 2.454215 53.97 5.884 <.0001
##
## Results are averaged over the levels of: cue
## P value adjustment: holm method for 15 tests
# custom contrasts
contrast(
emm,
list(c1 = c(1, -1, 0, 0, 0, 0), # reproduces first pairwise comparison
# emmean of row 1 - (emmean of row 1 + emmean of row 2) / 2; see EMMs table
# 381.5546 - (379.9286 + 381.6363) / 2
c2 = c(1, -0.5, -0.5, 0, 0, 0))
)
## contrast estimate SE df t.ratio p.value
## c1 1.6259484 2.454215 53.97 0.663 0.5105
## c2 0.7721372 2.136825 43.84 0.361 0.7196
# within-subjects ANOVA
rt_anova_wi <- ezANOVA(data = ANT[ANT$error == 0, ],
dv = rt,
wid = subnum,
within = .(cue, flank),
type = 3,
return_aov = TRUE)
emm <- emmeans(rt_anova_wi$aov, ~ cue * flank)
contrast(
emm,
list(c1 = c(1, -1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0),
c2 = c(1, -0.5, -0.5, 0, 0, 0, 0, 0, 0, 0, 0, 0))
)
## contrast estimate SE df t.ratio p.value
## c1 47.31005 3.802857 170.34 12.441 <.0001
## c2 50.35320 3.293371 170.34 15.289 <.0001
# between-subjects ANOVA
rt_anova_bw <- ezANOVA(data = ANT[ANT$error == 0, ],
dv = rt,
wid = subnum,
within_full = .(cue, flank),
between = group,
type = 3,
return_aov = TRUE)
emm_bw <- emmeans(rt_anova_bw$aov, ~ group)
# custom linear function
contrast(
emm_bw,
list(c1 = c(2/3, 1/2))
)
## contrast estimate SE df t.ratio p.value
## c1 475.2899 0.8213448 18 578.673 <.0001