3因子反復測定分散分析の有効な事後分析とは何ですか？

私は3因子反復測定ANOVAを実行しました。どのような事後分析が有効ですか？

これは完全にバランスの取れた設計（2x2x2）であり、因子の1つに被験者内の反復測定があります。Rで反復測定ANOVAへの多変量アプローチを知っていますが、私の最初の本能は、ANOVAの単純なaov（）スタイルを続行することです。

aov.repeated <- aov(DV ~ IV1 * IV2 * Time + Error(Subject/Time), data=data)

DV =応答変数

IV1 =独立変数1（2レベル、AまたはB）

IV2 =独立変数2（2レベル、はいまたはいいえ）

IV3 =時間（2レベル、前または後）

被験者=被験者ID（合計40被験者、IV1の各レベルに対して20：nA = 20、nB = 20）

summary(aov.repeated)

    Error: Subject
          Df Sum Sq Mean Sq F value   Pr(>F)   
IV1       1   5969  5968.5  4.1302 0.049553 * 
IV2       1   3445  3445.3  2.3842 0.131318   
IV1:IV2   1  11400 11400.3  7.8890 0.007987 **
Residuals 36  52023  1445.1                    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

Error: Subject:Time
               Df Sum Sq Mean Sq F value   Pr(>F)   
Time            1    149   148.5  0.1489 0.701906   
IV1:Time        1    865   864.6  0.8666 0.358103   
IV2:Time        1  10013 10012.8 10.0357 0.003125 **
IV1:IV2:Time    1    852   851.5  0.8535 0.361728   
Residuals      36  35918   997.7                    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

または、lmeスタイルの分散分析にnlmeパッケージを使用することを考えていました。

aov.repeated2 <- lme(DV ~ IV1 * IV2 * Time, random = ~1|Subject/Time, data=data)
summary(aov.repeated2)

Fixed effects: DV ~ IV1 * IV2 * Time 
                                Value Std.Error DF   t-value p-value
(Intercept)                      99.2  11.05173 36  8.975972  0.0000
IV1                              19.7  15.62950 36  1.260437  0.2156
IV2                              65.9  15.62950 36  4.216385  0.0002 ***
Time                             38.2  14.12603 36  2.704228  0.0104 *
IV1:IV2                         -60.8  22.10346 36 -2.750701  0.0092 **
IV1:Time                        -26.2  19.97722 36 -1.311494  0.1980
IV2:Time                        -57.8  19.97722 36 -2.893295  0.0064 **
IV1:IV2:Time                     26.1  28.25206 36  0.923826  0.3617

multcompパッケージのglht（）を使用した、Tukeyとの重要な2ウェイインタラクションの私の最初の直観的なポストホックコントラスト：

data$IV1IV2int <- interaction(data$IV1, data$IV2)
data$IV2Timeint <- interaction(data$IV2, data$Time)

aov.IV1IV2int <- lme(DV ~ IV1IV2int, random = ~1|Subject/Time, data=data)
aov.IV2Timeint <- lme(DV ~ IV2Timeint, random = ~1|Subject/Time, data=data)

IV1IV2int.posthoc <- summary(glht(aov.IV1IV2int, linfct = mcp(IV1IV2int = "Tukey")))
IV2Timeint.posthoc <- summary(glht(aov.IV2Timeint, linfct = mcp(IV2Timeint = "Tukey")))

IV1IV2int.posthoc
#A.Yes - B.Yes == 0        0.94684   
#B.No - B.Yes == 0         0.01095 * 
#A.No - B.Yes == 0         0.98587    I don't care about this
#B.No - A.Yes == 0         0.05574 .  I don't care about this
#A.No - A.Yes == 0         0.80785   
#A.No - B.No == 0          0.00346 **

IV2Timeint.posthoc 
#No.After - Yes.After == 0           0.0142 *
#Yes.Before - Yes.After == 0         0.0558 .
#No.Before - Yes.After == 0          0.5358   I don't care about this
#Yes.Before - No.After == 0          0.8144   I don't care about this
#No.Before - No.After == 0           0.1941  
#No.Before - Yes.Before == 0         0.8616

これらの事後分析で見られる主な問題は、私の仮説には役に立たないいくつかの比較です。

適切な事後分析についての提案は大歓迎です。

編集： 手動コントラストマトリックスのテストに向けた関連する質問と回答

データを見ることは見るものに影響を与える可能性があり、重要な結果を探しているのでバイアスがかかる可能性があるので、統計学者はどんな事後分析にも常に問題があると言うと思います。FDAの臨床試験研究では、統計計画をプロトコルに完全に明記する必要があります。線形モデルでは、ANOVAまたはANCOVAが全体的な違いを見つけた場合に確認するコントラストを事前に指定できます。そのような事前に指定されたコントラストは、通常の多重度の扱いもその一部である限り、見れば問題ありません。

SASのようなソフトウェアパッケージを使用している場合、procミックスを使用して反復測定混合モデルを実行し、どのコントラストを使用するかを指定すると、SASがそれを適切に処理します。PROC GLMの繰り返しオプションでそれを行うこともできますが、動作が異なり、想定が異なるため、注意が必要です。繰り返しの観測は、何か共通点があるため、通常は正しく行われます。同じ患者に対して異なる時点で測定を繰り返すことがよくあります。したがって、コントラストの計算では、共分散の項が問題に入ります。