對比度可用於對線性模型中的處理進行比較。
常見的用途是使用析因設計時,除析因設計外還使用控制或檢查處理。在下面的第一個示例中,有兩個級別(1和2)的兩個處理(D和C),然後有一個對照 處理。此處使用的方法是方差的單向分析,然後使用對比來檢驗各種假設。
在下面的第二個示例中,對六種葡萄酒進行了測量,其中一些是紅色,而有些是白色。我們可以比較的治療中通過設置對比,並進行F檢驗紅酒組。這類似於測試紅酒的主要效果。
使用的軟件包
如果尚未安裝這些軟件包,則以下命令將安裝它們:
if(!require(car)){install.packages("car")}
if(!require(lsmeans){install.packages("lsmeans")}
if(!require(multcomp)){install.packages("multcomp")}
單自由度對比示例
這個假設的例子可以代表一項採用階乘設計的實驗,其中兩個處理(D和C)分別處於兩個級別(1 和2),並且是對照處理。
Data = read.table(textConnection(Input),header=TRUE)
Data$Treatment = factor(Data$Treatment,
levels=unique(Data$Treatment))
Data
boxplot(Response ~ Treatment,
data = Data,
ylab="Response",
xlab="Treatment")
### Define linear model
model = lm(Response ~ Treatment,
data = Data)
library(car)
Anova(model, type="II")
summary(model)
contrast estimate SE df t.ratio p.value
D1vsD2 -0.83333333 0.1549193 10 -5.379 0.0031
C1vsC2 -2.10000000 0.1549193 10 -13.555 <.0001
InteractionDC 0.03333333 0.1549193 10 0.215 1.0000
C1vsC2forD1only -1.03333333 0.1095445 10 -9.433 <.0001
C1vsC2forD2only -1.06666667 0.1095445 10 -9.737 <.0001
TreatsvsControl 3.96666667 0.3464102 10 11.451 <.0001
T1vsC 0.26666667 0.1095445 10 2.434 0.3011
T2vsC 1.30000000 0.1095445 10 11.867 <.0001
T3vsC 0.66666667 0.1095445 10 6.086 0.0012
T4vsC 1.73333333 0.1095445 10 15.823 <.0001
由於調整方法不同,p值與multcomp ###的p值略有不同。
###兩個過程的調整方法,
### p值和其他統計信息,將是相同的。
###使用
Adjust =“ none”,結果將與### aov方法相同。
Estimate Std. Error t value Pr(>|t|)
D1vsD2 == 0 -0.83333 0.15492 -5.379 0.00218 **
C1vsC2 == 0 -2.10000 0.15492 -13.555 < 0.001 ***
InteractionDC == 0 0.03333 0.15492 0.215 0.99938
C1vsC2forD1only == 0 -1.03333 0.10954 -9.433 < 0.001 ***
C1vsC2forD2only == 0 -1.06667 0.10954 -9.737 < 0.001 ***
TreatsvsControl == 0 3.96667 0.34641 11.451 < 0.001 ***
T1vsC == 0 0.26667 0.10954 2.434 0.17428
T2vsC == 0 1.30000 0.10954 11.867 < 0.001 ***
T3vsC == 0 0.66667 0.10954 6.086 < 0.001 ***
T4vsC == 0 1.73333 0.10954 15.823 < 0.001 ***
一組治療中的全局F檢驗示例
該示例具有由三種紅酒和三種白葡萄酒組成的處理。我們將想知道紅酒組中的處理是否對響應變量有影響。這種方法之所以具有優勢,是因爲仍可以在紅酒中進行事後比較。
boxplot(Response ~ Treatment,
data = Data,
ylab="Response",
xlab="Treatment")
問題:紅酒中有功效嗎?
test(Test, joint=TRUE)
df1 df2 F p.value
2 12 24.3 0.0001
使用2個自由度進行了一次假設檢驗。這調查了
### 3組治療的效果。
###結果與multcomp的結果基本相同
問題:白葡萄酒有效果嗎?
test(Test, joint=TRUE)
df1 df2 F p.value
2 12 0.3 0.7462
兩行對比
使用2個自由度進行了一次假設檢驗。本研究調查了
###一組3種治療方法中的效果
###結果與multcomp的結果相同
問題:紅葡萄酒和白葡萄酒之間有區別嗎?而且,紅酒的平均分離度
contrast estimate SE df t.ratio p.value
Red_vs_white 21 1.490712 12 14.087 <.0001
Merlot_vs_Cab -3 0.860663 12 -3.486 0.0179
Cab_vs_Syrah -3 0.860663 12 -3.486 0.0179
Syrah_vs_Merlot 6 0.860663 12 6.971 0.0001
請注意,p值是
由於調整方法不同,因此與multcomp 不同。
問題:紅酒中有功效嗎?
Global Test:
F DF1 DF2 Pr(>F)
1 24.3 2 12 6.029e-05
問題:白葡萄酒有效果嗎?
Global Test:
F DF1 DF2 Pr(>F)
1 0.3 2 12 0.7462
問題:紅葡萄酒和白葡萄酒之間有區別嗎?
### Adjustment options: "none", "single-step", "Shaffer",
### "Westfall", "free", "holm", "hochberg",
### "hommel", "bonferroni", "BH", "BY", "fdr"
Linear Hypotheses:
Estimate Std. Error t value Pr(>|t|)
Red_vs_white == 0 21.0000 1.4907 14.087 <0.001 ***
Merlot_vs_Cab == 0 -3.0000 0.8607 -3.486 0.0157 *
Cab_vs_Syrah == 0 -3.0000 0.8607 -3.486 0.0156 *
Syrah_vs_Merlot == 0 6.0000 0.8607 6.971 <0.001 ***
(Adjusted p values reported -- single-step method)
###使用test = adjusted(“ none”),結果將與下面的aov方法相同。
aov內的對比測試
在方差分析中使用單自由度對比的另一種方法是在摘要 函數中使用split選項進行aov分析。
boxplot(Response ~ Treatment,
data = Data,
ylab="Response",
xlab="Treatment")
0.018
### Define contrasts
D1vsD2 = c(1, 1, -1, -1, 0)
C1vsC2 = c(1, -1, 1, -1, 0)
InteractionDC = c(1, -1, -1, 1, 0)
TreatsvsControl = c(1, 1, 1, 1, -4)
Df Sum Sq Mean Sq F value Pr(>F)
Treatment 4 6.189 1.547 85.963 1.06e-07 ***
Treatment: D1vsD2 1 0.521 0.521 28.935 0.00031 ***
Treatment: C1vsC2 1 3.307 3.307 183.750 9.21e-08 ***
Treatment: InteractionDC 1 0.001 0.001 0.046 0.83396
Treatment: TreatsvsControl 1 2.360 2.360 131.120 4.53e-07 ***
Residuals 10 0.180