双向方差分析 - 在 r 中重复测量，缺少所需的效果

Question

我正在尝试通过重复测量进行双向混合因子方差分析。来自：

aov(Estimate ~ Dose*Visit, data = AUClast) 

我得到 3 个平方和：两个主要影响（访问和剂量）及其交互作用（剂量：访问），我手工计算是正确的。

Dose 和 Visit 都是解释性变量，其中 Dose 是具有 4 个级别 3、10、30、100 的主体变量，而 Visit 是具有 2 个级别 1 和 28 的主体内变量（重复测量）。此外， subjectID 变量是“动物”

我想在结果中再添加一种效果，但不知道如何操作。所需的效果是剂量内动物之间的差异，或者 SAS 如何将其称为动物（剂量）。 SS 的计算公式为：

sum((mean(Animal(ik))-mean(Dose(i))^2)

其中 k 是剂量 i 的动物（对每只动物在访问 1 和访问 28 中的观察估计值求平均值，并减去本研究中所有动物的该剂量数量平方的动物平均估计值）。

有谁知道如何相应地调整公式以包含动物（剂量）效果？

提前感谢您的帮助，如果所有这些都太不具体，我们深表歉意。

Answer 1

如果我理解正确，我有一个建议。一、样本数据集

#sample data
set.seed(15)
AUClast<-data.frame(
    expand.grid(
    Animal=1:3,
    Dose=c(3,10,30,100),
    Visit=c(1,28)
    ), Estimate=runif(24)
)

现在我们根据要求计算交互项。首先，我们将数据分成剂量组，然后对于每个剂量组，我们从每只动物的平均值中减去总体平均值。然后我们将这些差异的平方相加。最后，我们使用unsplit 将它们扩展回dos 组。

animaldose<-unsplit(lapply(split(AUClast, AUClast$Dose), function(x) {
    rep(
        sum((tapply(x$Estimate, x$Animal, mean) - mean(x$Estimate))^2)
    , nrow(x))
}), AUClast$Dose)

我们可以看到原始 data.frame 旁边的样子

cbind(AUClast, animaldose)

结果是什么

   Animal Dose Visit   Estimate animaldose
1       1    3     1 0.60211404  0.1181935
2       2    3     1 0.19504393  0.1181935
3       3    3     1 0.96645873  0.1181935
4       1   10     1 0.65090553  0.1641363
5       2   10     1 0.36707189  0.1641363
6       3   10     1 0.98885921  0.1641363
7       1   30     1 0.81519341  0.0419291
8       2   30     1 0.25396837  0.0419291
9       3   30     1 0.68723085  0.0419291
10      1  100     1 0.83142902  0.1881314
11      2  100     1 0.10466936  0.1881314
12      3  100     1 0.64615091  0.1881314
13      1    3    28 0.50909039  0.1181935
14      2    3    28 0.70662857  0.1181935
15      3    3    28 0.86231366  0.1181935
16      1   10    28 0.84178515  0.1641363
17      2   10    28 0.44744372  0.1641363
18      3   10    28 0.96466695  0.1641363
19      1   30    28 0.14118707  0.0419291
20      2   30    28 0.77671251  0.0419291
21      3   30    28 0.80372740  0.0419291
22      1  100    28 0.79334595  0.1881314
23      2  100    28 0.35756312  0.1881314
24      3  100    28 0.05800106  0.1881314

所以你可以看到每个组都有自己的调整。