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

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