Może to wyglądać na autopromocję (i przypuszczam, że tak). Ale opracowałem pakiet lsmeans dla R (dostępny w CRAN), który został zaprojektowany do obsługi dokładnie tego rodzaju sytuacji. Oto jak to działa na twoim przykładzie:
> sample.data <- data.frame(IV=rep(1:4,each=20),DV=rep(c(-3,-3,1,3),each=20)+rnorm(80))
> sample.aov <- aov(DV ~ factor(IV), data = sample.data)
> library("lsmeans")
> (sample.lsm <- lsmeans(sample.aov, "IV"))
IV lsmean SE df lower.CL upper.CL
1 -3.009669 0.2237448 76 -3.4552957 -2.564043
2 -3.046072 0.2237448 76 -3.4916980 -2.600445
3 1.147080 0.2237448 76 0.7014539 1.592707
4 3.049153 0.2237448 76 2.6035264 3.494779
> contrast(sample.lsm, list(mycon = c(-3,-1,1,3)))
contrast estimate SE df t.ratio p.value
mycon 22.36962 1.000617 76 22.356 <.0001
Jeśli chcesz, możesz określić dodatkowe kontrasty na liście. W tym przykładzie uzyskasz takie same wyniki z wbudowanym liniowym kontrastem wielomianowym:
> con <- contrast(sample.lsm, "poly")
> con
contrast estimate SE df t.ratio p.value
linear 22.369618 1.0006172 76 22.356 <.0001
quadratic 1.938475 0.4474896 76 4.332 <.0001
cubic -6.520633 1.0006172 76 -6.517 <.0001
Aby to potwierdzić, należy zauważyć, że "poly"
specyfikacja kieruje go do wywołania poly.lsmc
, co daje następujące wyniki:
> poly.lsmc(1:4)
linear quadratic cubic
1 -3 1 -1
2 -1 -1 3
3 1 -1 -3
4 3 1 1
Jeśli chcesz wykonać wspólny test kilku kontrastów, użyj test
funkcji za pomocą joint = TRUE
. Na przykład,
> test(con, joint = TRUE)
Spowoduje to wykonanie testu „typu III”. W przeciwieństwie do car::Anova()
tego zrobi to poprawnie, niezależnie od kodowania kontrastu stosowanego na etapie dopasowania modelu. Wynika to z faktu, że testowane funkcje liniowe są określone bezpośrednio, a nie domyślnie, poprzez redukcję modelu. Dodatkową cechą jest wykrycie przypadku, w którym testowane kontrasty są liniowo zależne, oraz wygenerowanie prawidłowej statystyki testowej i stopni swobody.