标签: lsmeans

我装配在mutinomial模型中使用nnet的multinom使用功能(在此情况下对数据赋予男性和在不同湖泊鳄鱼的女性和不同尺寸类的饮食偏好):

data=read.csv("https://www.dropbox.com/s/y9elunsbv74p2h6/alligator.csv?dl=1")
head(data)
  id size  sex    lake food
1  1 <2.3 male hancock fish
2  2 <2.3 male hancock fish
3  3 <2.3 male hancock fish
4  4 <2.3 male hancock fish
5  5 <2.3 male hancock fish
6  6 <2.3 male hancock fish

library(nnet)
fit=multinom(food~lake+sex+size, data = data, Hess = TRUE)

我可以使用的因素的整体意义

library(car)
Anova(fit, type="III")  # type III tests
Analysis of Deviance Table (Type III tests)

Response: food
     LR Chisq Df Pr(>Chisq)    
lake   50.318 12 …

我想知道如何lsmobj从lsmeans包中获取元素R.

require(lsmeans)
fiber.lm <- lm(strength ~ diameter + machine, data = fiber)
fiber.lsm <- lsmeans (fiber.lm, "machine")
fiber.lsm
machine   lsmean        SE df lower.CL upper.CL
 A       40.38241 0.7236252 11 38.78972 41.97510
 B       41.41922 0.7444169 11 39.78077 43.05767
 C       38.79836 0.7878785 11 37.06426 40.53247

Confidence level used: 0.95 


str(fiber.lsm)
'lsmobj' object with variables:
    machine = A, B, C

我想要fiber.lsm的提取物lsmeans和SE列.任何帮助将受到高度赞赏.在此先感谢您的帮助.

我安装在序数据的比例优势累计逻辑模型使用MASS的polr使用功能(在这种情况下,数据给出了不同种类的奶酪偏好):

data=read.csv("https://www.dropbox.com/s/psj74dx8ohnrdlp/cheese.csv?dl=1")
data$response=factor(data$response, ordered=T) # make response into ordered factor
head(data)
  cheese response count
1      A        1     0
2      A        2     0
3      A        3     1
4      A        4     7
5      A        5     8
6      A        6     8
library(MASS)
fit=polr(response ~ cheese, weights=count, data=data, Hess=TRUE, method="logistic")

为了绘制模型的预测,我使用了一个效果图

library(effects)
library(colorRamps)
plot(allEffects(fit),ylab="Response",type="probability",style="stacked",colors=colorRampPalette(c("white","red"))(9))

我想知道,如果根据effects包装报告的预测方法,还可以绘制类似于每种奶酪的平均偏好以及95%的配置间隔吗？

编辑:最初我也问过如何获得Tukey posthoc测试,但在此期间我发现那些可以使用

library(multcomp)
summary(glht(fit, mcp(cheese = "Tukey")))

或使用包lsmeans作为

summary(lsmeans(fit, pairwise ~ cheese, adjust="tukey", mode = "linear.predictor"),type="response")

我有一个不平衡的实验,在三个地点(L,M,H)我们测量met四种不同植被类型(a,b,c,d)中的参数().所有三个地点都存在所有植被类型.植被类型在L和M处重复4次,在H处重复8次.

因此,简单的anova和TukeyHSD将无法正常工作.包装Agricolae(HSD.test)和DTK(DTK.test)只适用于单向设计,然后有多种... mcp功能中的Tukey测试是否计算Tukey-Kramer对比,或者它是否给出了常规的Tukey对比？我认为首先是这种情况,因为该软件包适用于测试不平衡设计的多重比较,但我不确定,因为两种方法产生的p值几乎相同.那么什么测试才合适？

此外,是否有更合适的方法为不平衡数据集做这样的双向anova？

library(multcomp)

(met     <-  c(rnorm(16,6,2),rnorm(16,5,2),rnorm(32,4,2)))
(site    <-  c(rep("L", 16), rep("M", 16), rep("H", 32)))
(vtype   <-  c(rep(letters[1:4], 16), rep(letters[1:4], 16), rep(letters[1:4], 32)))

dat  <-  data.frame(site, vtype, met)

# using aov and TukeyHSD
aov.000  <-  aov(met ~ site * vtype, data=dat)
summary(aov.000) 
TukeyHSD(aov.000) 

# using Anova, and multcomp
lm.000     <-  lm(met ~ site * vtype, data=dat)
summary(lm.000)
library(car)
Anova.000  <-  Anova(lm.000, data=dat)

dat$int  <-  with(dat, interaction(site, vtype, sep = "x"))
lm.000   <- …

有一半的时间，在没有模式的情况下，即使我增加了 max.print 和 R studio 中的全局选项，我也会从输出中省略行。详情如下：

我正在大型数据集（14 个变量的超过 100,000 个观察值）上运行 lmer 模型，包如下：lme4、lmerTest、tidyverse、lsmeans

我有几个单独运行的数据集，但这些数据集在设计上彼此没有什么不同，并且它们都源自同一个母数据集。我只是删除了每个数据集中的某些行来回答不同的问题。每个数据集中的变量包括小时、位置、日期、深度、温度和转换后的深度以满足假设。

由于某种原因，在我运行 lsmeans() 函数进行成对比较后，有一半的时间省略了行：[达到 getOption("max.print") -- 省略 110 行]

示例代码：

ft.model = lmer(dep.variable ~ fixed.factor + (1|random.factor), data = dataset)

anova(ft.model)

plot(ft.model, main = "residuals/fitted ft.model")

lsmeans(ft.model, pairwise~fixed.factor, adjust = "Tukey", max.print = 9999)

所以我的一些变量看起来像这样：

ft.hrdepth = lmer(depth ~ hr + (1|FishID), data = all)

anova(ft.hrdepth)

plot(ft.hrdepth, main = "residuals/fitted ft.hrdepth")

lsmeans(ft.hrdepth, pairwise~hr, adjust = "Tukey", max.print = 9999)

我尝试添加 max.print 参数并增加到 10000、10000000、9999、99999999、Inf 和其他组合。我还进入了 RStudio 设置，并将显示的行数限制更改为类似的数字：工具 > 全局选项 …

我正在使用我的响应变量作为百分比（0-100）进行 GAM。我使用反正弦变换来改进模型拟合（asin(sqrt(myvariable/100))）。我现在想评估原始规模上解释因子变量水平之间的对比。我一直在尝试使用 emmeans 并按照转换和链接函数小插图中的步骤来设置我的模型，并以 emmeans 可以读取的格式进行转换。但是，当我运行 emmeans 函数时，出现以下错误： link$mu.eta(object@bhat[estble]) 中的错误：尝试应用非函数。

我这样设置转换对象：

tran <- make.tran("asin.sqrt", 100)

我相信 bit 可以工作，因为当我用 emmeans 在线性模型上尝试它时，它工作了：

warp.t <- with(tran, lm(linkfun(breaks)~wool*tension, warpbreaks))
emmeans(warp.t, ~wool|tension, type="response")
tension = L:
 wool response   SE df lower.CL upper.CL
 A        44.2 4.00 48     36.3     52.3
 B        27.7 3.61 48     20.8     35.3

tension = M:
 wool response   SE df lower.CL upper.CL
 A        23.5 3.41 48     17.0     30.7
 B        28.4 3.63 48     21.4     35.9

tension = H:
 wool response   SE df lower.CL …

aov可以通过以下model.tables函数获得最小二乘平均值及其对象的标准误差:

npk.aov <- aov(yield ~ block + N*P*K, npk)
model.tables(npk.aov, "means", se = TRUE)

我想知道如何得到广义最小二乘意味着它们的标准误差nlme或lme4对象:

library(nlme)
data(Machines)
fm1Machine <- lme(score ~ Machine, data = Machines, random = ~ 1 | Worker )

任何评论和提示将受到高度赞赏.谢谢

其他关键字： 最佳线性无偏估计量 (BLUE)、调整均值、混合模型、固定效应、线性组合、对比度、R

mmer()使用sommer包拟合模型后- 是否可以从对象获得估计边际均值 ( emmeans()) /最小二乘均值 (LS-means)mmer？也许类似于predict()ASReml-R v3 的功能？

实际上，我想要很多东西，也许分开要求会更清楚：

1. em 指的是他们自己和他们的
2. 标准误差 (se)
3. 作为每个级别平均值旁边的一列
4. emmeans 的方差-协方差矩阵（参见predict(..., vcov=T)）
5. 手段及其之间的对比
6. 差异的标准误 (sed)
7. 均值之间的所有成对差异，最好进行事后检验（参见emmeans(mod, pairwise ~ effect, adjust="Tukey")
8. Sed 矩阵（参见predict(..., sed=T)）
9. 最小值、平均值和最大值 sed
10. 定制对比