タグ付けされた質問 「lsmeans」

1つの固定効果（条件）と2つのランダム効果（被験者内のデザインとペアによる参加者）を含む混合効果モデルを使用して、データセットを分析しています。モデルはlme4パッケージで生成されました：exp.model<-lmer(outcome~condition+(1|participant)+(1|pair),data=exp)。 次に、固定効果（条件）のないモデルに対してこのモデルの尤度比検定を実行しましたが、有意差があります。データセットには3つの条件があるため、多重比較を行いたいのですが、どの方法を使用すればよいかわかりません。CrossValidatedや他のフォーラムで同様の質問をいくつか見つけましたが、それでもかなり混乱しています。 私が見たものから、人々は使用することを提案しました 1.lsmeansパッケージ- lsmeans(exp.model,pairwise~condition)私に次のような出力が得られます。 condition lsmean SE df lower.CL upper.CL Condition1 0.6538060 0.03272705 47.98 0.5880030 0.7196089 Condition2 0.7027413 0.03272705 47.98 0.6369384 0.7685443 Condition3 0.7580522 0.03272705 47.98 0.6922493 0.8238552 Confidence level used: 0.95 $contrasts contrast estimate SE df t.ratio p.value Condition1 - Condition2 -0.04893538 0.03813262 62.07 -1.283 0.4099 Condition1 - …

15 r  repeated-measures  multiple-comparisons  post-hoc  lsmeans  bayesian  posterior  marginal  integral  anova  time-series  regularization  machine-learning  pca  computational-statistics  references  inference  regression  cross-validation  python  random-forest  chi-squared  spearman-rho  r  machine-learning  confidence-interval  bagging  clustering  feature-selection  model-selection  bic  hypothesis-testing  kurtosis  r  regression  residuals  terminology 

R（lme4パッケージ）の線形混合効果モデルで事後テストを実行しています。私が使用していmultcompたパッケージ（glht()事後テストを実行する機能）。 私の実験計画は、ランダムなブロック効果を伴う反復測定です。モデルは次のように指定されます。 mymod <- lmer(variable ~ treatment * time + (1|block), data = mydata, REML = TRUE) ここにデータを添付するのではなくwarpbreaks、multcompパッケージ内で呼び出されたデータを使用しています。 data <- warpbreaks warpbreaks$rand <- NA 「ブロック」効果を模倣するためにランダム変数を追加しました： warpbreaks$rand <- rep(c("foo", "bar", "bee"), nrow(warpbreaks)/3) これは私のモデルを模倣しています： mod <- lmer(breaks ~ tension * wool + (1|rand), data = warpbreaks) 「追加のMultcompの例-2 Way Anova」の例を知っています。この例では、のレベル内の緊張レベルを比較しますwool。 反対のことをしたい場合はどうなりますか？woolのレベル内のレベルを比較してtensionください （私の場合、これは、時間のレベル（3-6、7、8月）内の処理レベル（2-0、1）を比較することになります。 これを行うために次のコードを考え出しましたが、機能していないようです（以下のエラーメッセージを参照）。 …

10 mixed-model  post-hoc  lsmeans  lme4-nlme 

私は計画された実験からの視線追跡データを分析しています。私のデータの簡略版は次のようになります（ここで dput（）データを取得できます）、 head(lookDATA) participant fixationImage fixationCount 1 9 Automobile 81 2 9 Bird 63 3 9 Chair 82 4 9 Dog 64 5 9 Face 90 6 9 Plant 75 ここで、参加者は各サブジェクトの一意の識別子、fixationImageは固定した画像カテゴリ、fixationCountはその画像カテゴリに固定した回数です。 lme4パッケージの glmer（）を使用して、ポアソンモデルをデータに適合させます。 model<-glmer(fixationCount ~ fixationImage + (1|participant), family = poisson, data = lookDATA) lsmeansパッケージの lsmeans（）を使用して、因子レベル間の違いを調べました。 cld(lsmeans(model,"fixationImage")) 次の出力を提供します。 fixationImage lsmean …

10 r  mixed-model  poisson-regression  lsmeans  lme4-nlme 

2つのグループの学生の平均スコアを推定しようとしています。私は二項回帰モデルを使用しています。これtotal_ansは、回答した質問の合計であり、生徒によって異なる場合があります。 モデル1は直接推定 model <- glm(cbind(total_correct, total_ans-total_correct) ~ student_type,family= binomial, data = df) Call: glm(formula = cbind(total_correct, total_ans - total_correct) ~ student_type, family = binomial, data = df) Coefficients: (Intercept) student_group_2 -1.9684 0.2139 Degrees of Freedom: 1552 Total (i.e. Null); 1551 Residual Null Deviance: 1480 Residual Deviance: 1477 AIC: 1764 lsmeans(model,~ …

7 generalized-linear-model  lme4-nlme  random-effects-model  lsmeans