R：用于 nnet 多项式多项拟合的 Tukey 事后测试，以测试多项式分布的整体差异答案

【问题标题】：R: Tukey posthoc tests for nnet multinom multinomial fit to test for overall differences in multinomial distributionR：用于 nnet 多项式多项拟合的 Tukey 事后测试，以测试多项式分布的整体差异
【发布时间】：2016-01-23 20:23:08
【问题描述】：

我使用nnet的multinom函数拟合了一个mutinomial模型（在这种情况下，数据给出了男性和女性的饮食偏好以及不同湖泊中不同大小类别的鳄鱼）：

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总体意义

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  1.228e-06 ***
sex     2.215  4   0.696321    
size   17.600  4   0.001477 **

还有我得到的效果图，例如对于因子“湖”，使用

library(effects)
plot(effect(fit,term="lake"),ylab="Food",type="probability",style="stacked",colors=rainbow(5))

除了整体 Anova 测试之外，我还想进行成对 Tukey posthoc 测试，以测试吃掉猎物的多项分布的总体差异，例如跨越不同对的湖泊。

我首先想到在包multcomp 中使用函数glht，但这似乎不起作用，例如对于因子lake：

library(multcomp)
summary(glht(fit, mcp(lake = "Tukey")))
Error in summary(glht(fit, mcp(lake = "Tukey"))) : 
  error in evaluating the argument 'object' in selecting a method for function 'summary': Error in glht.matrix(model = list(n = c(6, 0, 5), nunits = 12L, nconn = c(0,  : 
  ‘ncol(linfct)’ is not equal to ‘length(coef(model))’

替代方案是为此使用包lsmeans，为此我尝试过

lsmeans(fit, pairwise ~ lake | food, adjust="tukey", mode = "prob")
$contrasts
food = bird:
 contrast               estimate         SE df t.ratio p.value
 george - hancock    -0.04397388 0.05451515 24  -0.807  0.8507
 george - oklawaha    0.03680712 0.03849268 24   0.956  0.7751
 george - trafford   -0.02123255 0.05159049 24  -0.412  0.9760
 hancock - oklawaha   0.08078100 0.04983303 24   1.621  0.3863
 hancock - trafford   0.02274133 0.06242724 24   0.364  0.9831
 oklawaha - trafford -0.05803967 0.04503128 24  -1.289  0.5786

food = fish:
 contrast               estimate         SE df t.ratio p.value
 george - hancock    -0.02311955 0.09310322 24  -0.248  0.9945
 george - oklawaha    0.19874095 0.09273047 24   2.143  0.1683
 george - trafford    0.32066789 0.08342262 24   3.844  0.0041
 hancock - oklawaha   0.22186050 0.09879102 24   2.246  0.1396
 hancock - trafford   0.34378744 0.09088119 24   3.783  0.0047
 oklawaha - trafford  0.12192695 0.08577365 24   1.421  0.4987

food = invert:
 contrast               estimate         SE df t.ratio p.value
 george - hancock     0.23202865 0.06111726 24   3.796  0.0046
 george - oklawaha   -0.13967425 0.08808698 24  -1.586  0.4053
 george - trafford   -0.07193252 0.08346283 24  -0.862  0.8242
 hancock - oklawaha  -0.37170290 0.07492749 24  -4.961  0.0003
 hancock - trafford  -0.30396117 0.07129577 24  -4.263  0.0014
 oklawaha - trafford  0.06774173 0.09384594 24   0.722  0.8874

food = other:
 contrast               estimate         SE df t.ratio p.value
 george - hancock    -0.12522495 0.06811177 24  -1.839  0.2806
 george - oklawaha    0.03499241 0.05141930 24   0.681  0.9035
 george - trafford   -0.08643898 0.06612383 24  -1.307  0.5674
 hancock - oklawaha   0.16021736 0.06759887 24   2.370  0.1103
 hancock - trafford   0.03878598 0.08135810 24   0.477  0.9635
 oklawaha - trafford -0.12143138 0.06402725 24  -1.897  0.2560

food = rep:
 contrast               estimate         SE df t.ratio p.value
 george - hancock    -0.03971026 0.03810819 24  -1.042  0.7269
 george - oklawaha   -0.13086622 0.05735022 24  -2.282  0.1305
 george - trafford   -0.14106384 0.06037257 24  -2.337  0.1177
 hancock - oklawaha  -0.09115595 0.06462624 24  -1.411  0.5052
 hancock - trafford  -0.10135358 0.06752424 24  -1.501  0.4525
 oklawaha - trafford -0.01019762 0.07161794 24  -0.142  0.9989

Results are averaged over the levels of: sex, size 
P value adjustment: tukey method for comparing a family of 4 estimates

这会测试每种特定类型食品的比例差异。

我想知道是否也有可能以一种或另一种方式获得 Tukey 事后检验，其中比较不同湖泊的整体多项分布，即测试任何猎物比例的差异吃过？我试过了

lsmeans(fit, pairwise ~ lake, adjust="tukey", mode = "prob")

但这似乎不起作用：

$contrasts
 contrast                 estimate           SE df t.ratio p.value
 george - hancock     3.252607e-19 1.879395e-10 24       0  1.0000
 george - oklawaha   -8.131516e-19 1.861245e-10 24       0  1.0000
 george - trafford   -1.843144e-18 2.504062e-10 24       0  1.0000
 hancock - oklawaha  -1.138412e-18          NaN 24     NaN     NaN
 hancock - trafford  -2.168404e-18          NaN 24     NaN     NaN
 oklawaha - trafford -1.029992e-18          NaN 24     NaN     NaN

有什么想法吗？

或者有人知道如何使glht 为multinom 模型工作？

【问题讨论】：

除了你显然两次问了同一个问题之外，关于这些问题的信息似乎太多了。你不能把范围缩小到具体问题而不是发布你迄今为止所做的一切吗？
我没有两次问同样的问题——这个问题是关于使用 nnet 的多项式拟合的多项式模型，另一个问题是关于使用 MASS 的 polr 拟合的比例优势累积 logit 模型——这是两个完全不同的问题事物！不过，我已经缩短了我的问题......（只是认为其他信息可能有助于诊断 lsmeans 的问题）
关于最后一部分，我已经在之前的个人交流中尝试向您解释过，lsmean 仅lake 涉及对food 进行平均，这是您的多项式响应。对于其他因素的任何固定设置，这些多项式概率在食物上的总和必然为 1，所以当你平均食物时，你总是会得到 0.2 美元。所以看起来片状的比较都只是舍入误差。这是无法比较湖泊的方法。如果您想要成对比较，则为每个湖泊制定某种概率的线性组合并比较这些分数。

标签： r multinomial nnet posthoc lsmeans

【解决方案1】：

刚收到 Russ Lenth 的好消息，他认为在湖泊之间进行这些成对比较以测试短吻鳄所吃食物的多项分布差异的语法是

lsm = lsmeans(fit, ~ lake|food, mode = "latent")
cmp = contrast(lsm, method="pairwise", ref=1) 
test = test(cmp, joint=TRUE, by="contrast") 
There are linearly dependent rows - df are reduced accordingly
test
 contrast            df1 df2     F p.value
 george - hancock      4  24 3.430  0.0236
 george - oklawaha     4  24 2.128  0.1084
 george - trafford     4  24 3.319  0.0268
 hancock - oklawaha    4  24 5.820  0.0020
 hancock - trafford    4  24 5.084  0.0041
 oklawaha - trafford   4  24 1.484  0.2383

谢谢拉斯！

【讨论】：

好点 - 实际上我不这么认为...但是您仍然可以使用 multcomp 包中的 p.adjust 对多个测试进行一些更正...
现在试试这个，用emmeans代替lsmeans。您之前是否在nnet::multinom() 模型中与emmeans 进行过交互？它给我带来了一些错误。