R中使用ezANOVA输出的计划对比

Question

我一直在研究如何使用计划中的对比，而不是事后的t测试。我通常使用ezANOVA ( III型变异数)，但目前似乎没有考虑到使用ezANOVA进行有计划的对比。

另一方面，aov()是I型变量(我不想讨论哪种类型最适合哪种类型的设计)。使用aov() (用于组设计之间)来进行计划的对比是直接的，但是我想在重复的测量中进行一次III型的方差分析，坦率地说，ezANOVA有一个更方便用户的输出。

请记住，ezANOVA可以选择包含return_aov = TRUE，有人知道如何使用ezANOVA提供的信息来进行计划中的对比吗？

注意： return_aov = TRUE允许通过以下内容访问aov的输出：

summary.lm(ModelName$aov$'Participant:IndependentVariable1')

上面的参与者是一个示例变量，添加到wid中的ezANOVA中

wid = .(Participant)

summary.lm()通常用于在aov中显示计划对比的结果，这是ANOVA组与重复度量相反的结果。

我特别感兴趣的是，利用产出来进行计划中的对比，以进行反复测量的方差分析。

赏金目标

我想从这一慷慨中实现以下目标：

( 1)利用ezANOVA的输出量进行重复测量方差分析的计划对比。

( 1A)使用ezANOVA的输出来进行有计划的科目间的对比(这一次应该相对容易&因此不是要求赏金的必要条件)。

任何虚假的数据都应该足够了，但是这里有一个关于ezANOVA重复测量方差的格式的提醒：

ModelName <- ezANOVA(
data = DataSet,
dv = .(DependentVariable), 
wid = .(Participant), 
within = .(IndependentVariable1, IndependentVariable2), 
type=3, 
detailed = TRUE, 
return_aov = TRUE)

这是一个具有可复制数据和代码的相关问题，可以用来解决这个问题。

你可以找到一个这里给出了一些计划对比的背景。和他们做什么。

Answer 1

emmeans包提供了适当的功能来计算aov和aovlist对象的自定义对比/估计边际均值(EMMs)的任意线性函数(有关支持模型的完整列表，请参见这里 )。

在下面的文章中，我使用了ANT数据集，它与ez包一起提供。

首先，我们使用ezANOVA建立了一个混合因子方差分析。请注意，为了获得有意义的Type-III测试，需要设置正交对比(例如，参见John的答案这里)。

library("ez")
library("emmeans")

# set orthogonal contrasts
options(contrasts = c("contr.sum", "contr.poly"))

data(ANT)
rt_anova <- ezANOVA(data = ANT[ANT$error == 0, ], 
                    dv = rt,
                    wid = subnum, 
                    within = .(cue, flank),
                    between = group,
                    type = 3,
                    return_aov = TRUE)

然后，我们可以计算出所有组侧组合的EMMs值。

emm <- emmeans(rt_anova$aov, ~ group * flank)
emm
## group     flank         emmean       SE    df lower.CL upper.CL
## Control   Neutral     381.5546 1.735392 53.97 378.0753 385.0339
## Treatment Neutral     379.9286 1.735392 53.97 376.4493 383.4079
## Control   Congruent   381.6363 1.735392 53.97 378.1570 385.1155
## Treatment Congruent   379.7520 1.735392 53.97 376.2727 383.2313
## Control   Incongruent 466.6770 1.735392 53.97 463.1977 470.1563
## Treatment Incongruent 452.2352 1.735392 53.97 448.7559 455.7145

现在，在这些EMMs上计算所有成对比较或任何期望的对比是很容易的。

也请参阅这图书章节和我的答案这里，如果你需要更多关于如何从假设中获得对比权重的详细信息的话。

# all pairwise comparisons 
pairs(emm, adjust = "Holm")
## contrast                                        estimate       SE    df t.ratio p.value
## Control,Neutral - Treatment,Neutral           1.62594836 2.454215 53.97   0.663  1.0000
## Control,Neutral - Control,Congruent          -0.08167403 2.473955 36.00  -0.033  1.0000
## Control,Neutral - Treatment,Congruent         1.80259257 2.454215 53.97   0.734  1.0000
## Control,Neutral - Control,Incongruent       -85.12239797 2.473955 36.00 -34.407  <.0001
## Control,Neutral - Treatment,Incongruent     -70.68062093 2.454215 53.97 -28.800  <.0001
## Treatment,Neutral - Control,Congruent        -1.70762239 2.454215 53.97  -0.696  1.0000
## Treatment,Neutral - Treatment,Congruent       0.17664421 2.473955 36.00   0.071  1.0000
## Treatment,Neutral - Control,Incongruent     -86.74834633 2.454215 53.97 -35.347  <.0001
## Treatment,Neutral - Treatment,Incongruent   -72.30656929 2.473955 36.00 -29.227  <.0001
## Control,Congruent - Treatment,Congruent       1.88426660 2.454215 53.97   0.768  1.0000
## Control,Congruent - Control,Incongruent     -85.04072394 2.473955 36.00 -34.374  <.0001
## Control,Congruent - Treatment,Incongruent   -70.59894690 2.454215 53.97 -28.766  <.0001
## Treatment,Congruent - Control,Incongruent   -86.92499054 2.454215 53.97 -35.419  <.0001
## Treatment,Congruent - Treatment,Incongruent -72.48321351 2.473955 36.00 -29.299  <.0001
## Control,Incongruent - Treatment,Incongruent  14.44177704 2.454215 53.97   5.884  <.0001
## 
## Results are averaged over the levels of: cue 
## P value adjustment: holm method for 15 tests 

# custom contrasts
contrast(
  emm, 
  list(c1 = c(1, -1, 0, 0, 0, 0), # reproduces first pairwise comparison
       # emmean of row 1 - (emmean of row 1 + emmean of row 2) / 2; see EMMs table
       # 381.5546 - (379.9286 + 381.6363) / 2
       c2 = c(1, -0.5, -0.5, 0, 0, 0))
 )
 ## contrast  estimate       SE    df t.ratio p.value
 ## c1       1.6259484 2.454215 53.97   0.663  0.5105
 ## c2       0.7721372 2.136825 43.84   0.361  0.7196

同样的情况也适用于纯粹的科目内的ANOVAs或科目之间的ANOVAs.

# within-subjects ANOVA
rt_anova_wi <- ezANOVA(data = ANT[ANT$error == 0, ], 
                    dv = rt,
                    wid = subnum, 
                    within = .(cue, flank),
                    type = 3,
                    return_aov = TRUE)

emm <- emmeans(rt_anova_wi$aov, ~ cue * flank)
contrast(
  emm, 
  list(c1 = c(1, -1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0), 
       c2 = c(1, -0.5, -0.5, 0, 0, 0, 0, 0, 0, 0, 0, 0))
) 
## contrast estimate       SE     df t.ratio p.value
## c1       47.31005 3.802857 170.34  12.441  <.0001
## c2       50.35320 3.293371 170.34  15.289  <.0001

# between-subjects ANOVA
rt_anova_bw <- ezANOVA(data = ANT[ANT$error == 0, ], 
                       dv = rt,
                       wid = subnum, 
                       within_full = .(cue, flank), 
                       between = group,
                       type = 3,
                       return_aov = TRUE)

emm_bw <- emmeans(rt_anova_bw$aov, ~ group)
# custom linear function
contrast(
  emm_bw, 
  list(c1 = c(2/3, 1/2)) 
)
## contrast estimate        SE df t.ratio p.value
## c1       475.2899 0.8213448 18 578.673  <.0001