为 glm 运行事后分析时出错答案

【问题标题】：Error when running posthoc analysis for glm为 glm 运行事后分析时出错
【发布时间】：2019-08-13 00:17:49
【问题描述】：

我正在尝试对我的治疗进行事后比较，但在运行 glht 时我不断收到此错误：“modelparm.default(model, ...) 中的错误：系数和协方差矩阵的维度不匹配” .

有没有更好的方法来进行多次成对比较？我也尝试过使用 emmeans abut 我不确定这是否是正确的方法。

这是我的数据的一个子集：

mydata <- read.table(header=TRUE, text="
treatment    total.bites   hours   rep
                     A  10  3.1  a1
                     A  1   3.2  a2
                     A  1024   3.22 a3
                     B  0   3.13 a1
                     B  16  3.15 a2
                     B  1305  3.24 a3
                     C  0   3.13 a1
                     C  0  3.26 a2
                     C  0   3.11 a3
                     D  2  3.25 a1
                     D  0   3.17 a2 
                     D  3   3.21 a3
                     ")
mC4 <- glmmTMB(total.bites~treatment + offset(log(hours)) +(1|rep), ziformula=~0, family=nbinom1, data=mydata)
summary(mC4)
summary(glht(mC4, mcp(treatment = "Tukey")))

【问题讨论】：

标签： r glm lm posthoc tukey

【解决方案1】：

正如你已经提到的emmeans 你可以这样做

library(emmeans)
pairs(emmeans(mC4, "treatment"))
#contrast estimate       SE df t.ratio p.value
#A - B       0.323 8.94e-01  6  0.361  0.9824
#A - C      20.930 1.51e+04  6  0.001  1.0000
#A - D       0.892 9.05e-01  6  0.985  0.7631
#B - C      20.607 1.51e+04  6  0.001  1.0000
#B - D       0.569 9.92e-01  6  0.573  0.9365
#C - D     -20.038 1.51e+04  6 -0.001  1.0000
#
#Results are given on the log (not the response) scale.
#P value adjustment: tukey method for comparing a family of 4 estimates

在这里，我们以treatment 为条件并表征所有成对比较，使用 Tukey 方法校正多个假设检验。

【讨论】：

感谢您的澄清！还有一点：我尝试分别对治疗A和B运行我的glm并且有显着差异，但是在emmeans下的对比中A和B之间没有显着差异，那么我将遵循哪个？
@lookingforbirds 不要运行单独的模型；这里的重点是计算所有对比，然后使用一些已建立的方法来解释多个假设检验（这是一个讨论点，对于给定的一组测量，哪种方法是“最好的”）。在任何情况下，运行选定的单独模型，然后选择“统计显着”的对比都是朝着挑选樱桃和 p 值“黑客”的滑坡。
没问题@lookingforbirds;在这种情况下，p-value hacking 可能有点太强大了。统计学家 Andrew Gelman 将其称为“分叉路径的花园”，您可以选择性地仅探索比较的子集，通常选择这些比较，以使它们在脱离实验的完整背景时具有统计显着性。
@lookingforbirds PS。如果这回答了您的问题，请考虑通过在答案旁边设置绿色复选标记来关闭问题。这样，您可以帮助保持 SO 整洁，并帮助未来的 SO 读者识别相关帖子。它还为原始发布者和回答者提供了少量声誉奖励。谢谢。