Jakiej metody wielokrotnego porównania użyć w modelu Lmer: lsmeans czy glht?

Analizuję zestaw danych przy użyciu modelu efektów mieszanych z jednym ustalonym efektem (warunkiem) i dwoma efektami losowymi (uczestnik ze względu na projekt i parę wewnątrz przedmiotu). Model ten został wygenerowany z lme4pakietu: exp.model<-lmer(outcome~condition+(1|participant)+(1|pair),data=exp).

Następnie wykonałem test współczynnika wiarygodności tego modelu względem modelu bez ustalonego efektu (warunku) i mam znaczącą różnicę. W moim zestawie danych są 3 warunki, więc chcę wykonać wielokrotne porównanie, ale nie jestem pewien, której metody użyć . Znalazłem wiele podobnych pytań na CrossValidated i innych forach, ale nadal jestem dość zdezorientowany.

Z tego, co widziałem, ludzie sugerowali używanie

1.lsmeans pakiet - lsmeans(exp.model,pairwise~condition)który daje mi wyjście następujące:

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 - Condition3 -0.10424628 0.03813262 62.07  -2.734  0.0219
 Condition2 - Condition3 -0.05531090 0.03813262 62.07  -1.450  0.3217

P value adjustment: tukey method for comparing a family of 3 estimates 

2.multcomp opakowanie na dwa różne sposoby - z użyciem mcp glht(exp.model,mcp(condition="Tukey"))powodując

     Simultaneous Tests for General Linear Hypotheses

Multiple Comparisons of Means: Tukey Contrasts


Fit: lmer(formula = outcome ~ condition + (1 | participant) + (1 | pair), 
    data = exp, REML = FALSE)

Linear Hypotheses:
                             Estimate Std. Error z value Pr(>|z|)  
Condition2 - Condition1 == 0  0.04894    0.03749   1.305    0.392  
Condition3 - Condition1 == 0  0.10425    0.03749   2.781    0.015 *
Condition3 - Condition2 == 0  0.05531    0.03749   1.475    0.303  
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Adjusted p values reported -- single-step method)

i używanie lsm glht(exp.model,lsm(pairwise~condition))w wyniku

Note: df set to 62

     Simultaneous Tests for General Linear Hypotheses

Fit: lmer(formula = outcome ~ condition + (1 | participant) + (1 | pair), 
    data = exp, REML = FALSE)

Linear Hypotheses:
                             Estimate Std. Error t value Pr(>|t|)  
Condition1 - Condition2 == 0 -0.04894    0.03749  -1.305   0.3977  
Condition1 - Condition3 == 0 -0.10425    0.03749  -2.781   0.0195 *
Condition2 - Condition3 == 0 -0.05531    0.03749  -1.475   0.3098  
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Adjusted p values reported -- single-step method)

Jak widać, metody dają różne wyniki. Po raz pierwszy pracuję z R i statystykami, więc coś może pójść nie tak, ale nie wiedziałbym gdzie. Moje pytania to:

Jakie są różnice między prezentowanymi metodami? W odpowiedzi na powiązane pytania przeczytałem, że chodzi o stopnie swobody (w lsmeansporównaniu glht). Czy istnieją jakieś zasady lub zalecenia, kiedy użyć której, tj. Metoda 1 jest odpowiednia dla tego typu zestawu danych / modelu itp.? Który wynik powinienem zgłosić? Nie wiedząc lepiej, prawdopodobnie po prostu podałbym najwyższą wartość p, którą mogłem grać bezpiecznie, ale byłoby miło mieć lepszy powód. Dzięki

Nie jest to kompletna odpowiedź ...

Różnica między glht(myfit, mcp(myfactor="Tukey"))dwiema innymi metodami polega na tym, że w ten sposób wykorzystuje się statystykę „z” (rozkład normalny), podczas gdy inne wykorzystują statystykę „t” (rozkład Studenta). Statystyka „z” jest taka sama jak statystyka „t” z nieskończonym stopniem swobody. Ta metoda jest asymptotyczna i zapewnia mniejsze wartości p i krótsze przedziały ufności niż inne. Wartości p mogą być zbyt małe, a przedziały ufności mogą być zbyt krótkie, jeśli zestaw danych jest mały.

Po uruchomieniu lsmeans(myfit, pairwise~myfactor)pojawia się następujący komunikat:

Loading required namespace: pbkrtest

Oznacza to, że lsmeans(dla lmermodelu) używa pbkrtestpakietu, który implementuje metodę Kenwarda i Rogersa dla stopni swobody statystyki „t”. Ta metoda ma zapewnić lepsze wartości p i przedziały ufności niż asymptotyczne (nie ma różnicy, gdy stopień swobody jest duży).

Teraz, o różnicy między lsmeans(myfit, pairwise~myfactor)$contrastsi glht(myfit, lsm(pairwise~factor), mam tylko zrobić kilka testów i moje spostrzeżenia są następujące:

• lsmjest interfejsem między lsmeanspakietem a multcomppakietem (patrz ?lsm)

• dla zrównoważonego projektu nie ma różnicy między wynikami

• w przypadku niezrównoważonego projektu zaobserwowałem małe różnice między wynikami (błędy standardowe i stosunek t)

Niestety nie wiem, co jest przyczyną tych różnic. Wygląda jak lsmwywołania lsmeanstylko w celu uzyskania liniowej macierzy hipotez i stopni swobody, ale lsmeanswykorzystuje inny sposób obliczania standardowych błędów.