Một phân tích hậu hoc hợp lệ cho một biện pháp lặp lại ba chiều ANOVA là gì?

Tôi đã thực hiện một biện pháp lặp lại ba chiều ANOVA; những phân tích hậu hoc là hợp lệ?

Đây là một thiết kế cân bằng hoàn toàn (2x2x2) với một trong những yếu tố có số đo lặp lại bên trong chủ thể. Tôi biết các cách tiếp cận đa biến đối với các số đo lặp lại ANOVA trong R, nhưng bản năng đầu tiên của tôi là tiến hành theo kiểu ANOVA aov () đơn giản:

aov.repeated <- aov(DV ~ IV1 * IV2 * Time + Error(Subject/Time), data=data)

DV = biến phản ứng

IV1 = biến độc lập 1 (2 cấp độ, A hoặc B)

IV2 = biến độc lập 2 (2 cấp độ, Có hoặc Không)

IV3 = Thời gian (2 cấp độ, Trước hoặc Sau)

Chủ đề = ID chủ đề (40 tổng số môn học, 20 cho mỗi cấp IV1: nA = 20, nB = 20)

summary(aov.repeated)

    Error: Subject
          Df Sum Sq Mean Sq F value   Pr(>F)   
IV1       1   5969  5968.5  4.1302 0.049553 * 
IV2       1   3445  3445.3  2.3842 0.131318   
IV1:IV2   1  11400 11400.3  7.8890 0.007987 **
Residuals 36  52023  1445.1                    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

Error: Subject:Time
               Df Sum Sq Mean Sq F value   Pr(>F)   
Time            1    149   148.5  0.1489 0.701906   
IV1:Time        1    865   864.6  0.8666 0.358103   
IV2:Time        1  10013 10012.8 10.0357 0.003125 **
IV1:IV2:Time    1    852   851.5  0.8535 0.361728   
Residuals      36  35918   997.7                    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

Ngoài ra, tôi đã suy nghĩ về việc sử dụng gói nlme cho kiểu ANOVA:

aov.repeated2 <- lme(DV ~ IV1 * IV2 * Time, random = ~1|Subject/Time, data=data)
summary(aov.repeated2)

Fixed effects: DV ~ IV1 * IV2 * Time 
                                Value Std.Error DF   t-value p-value
(Intercept)                      99.2  11.05173 36  8.975972  0.0000
IV1                              19.7  15.62950 36  1.260437  0.2156
IV2                              65.9  15.62950 36  4.216385  0.0002 ***
Time                             38.2  14.12603 36  2.704228  0.0104 *
IV1:IV2                         -60.8  22.10346 36 -2.750701  0.0092 **
IV1:Time                        -26.2  19.97722 36 -1.311494  0.1980
IV2:Time                        -57.8  19.97722 36 -2.893295  0.0064 **
IV1:IV2:Time                     26.1  28.25206 36  0.923826  0.3617

Bản năng đầu tiên của tôi về các tương tác 2 chiều đáng kể với Tukey tương phản bằng cách sử dụng glht () từ gói multcomp:

data$IV1IV2int <- interaction(data$IV1, data$IV2)
data$IV2Timeint <- interaction(data$IV2, data$Time)

aov.IV1IV2int <- lme(DV ~ IV1IV2int, random = ~1|Subject/Time, data=data)
aov.IV2Timeint <- lme(DV ~ IV2Timeint, random = ~1|Subject/Time, data=data)

IV1IV2int.posthoc <- summary(glht(aov.IV1IV2int, linfct = mcp(IV1IV2int = "Tukey")))
IV2Timeint.posthoc <- summary(glht(aov.IV2Timeint, linfct = mcp(IV2Timeint = "Tukey")))

IV1IV2int.posthoc
#A.Yes - B.Yes == 0        0.94684   
#B.No - B.Yes == 0         0.01095 * 
#A.No - B.Yes == 0         0.98587    I don't care about this
#B.No - A.Yes == 0         0.05574 .  I don't care about this
#A.No - A.Yes == 0         0.80785   
#A.No - B.No == 0          0.00346 **

IV2Timeint.posthoc 
#No.After - Yes.After == 0           0.0142 *
#Yes.Before - Yes.After == 0         0.0558 .
#No.Before - Yes.After == 0          0.5358   I don't care about this
#Yes.Before - No.After == 0          0.8144   I don't care about this
#No.Before - No.After == 0           0.1941  
#No.Before - Yes.Before == 0         0.8616

Vấn đề chính tôi thấy với các phân tích hậu hoc này là một số so sánh không hữu ích cho các giả thuyết của tôi.

Bất kỳ đề xuất cho một phân tích hậu hoc thích hợp được đánh giá rất cao, cảm ơn.

Chỉnh sửa: Câu hỏi và câu trả lời có liên quan hướng đến việc kiểm tra ma trận tương phản thủ công

Tôi nghĩ rằng các nhà thống kê sẽ nói với bạn rằng luôn có vấn đề với bất kỳ phân tích bài hoc nào bởi vì việc xem dữ liệu có thể ảnh hưởng đến những gì bạn nhìn và bạn có thể bị thiên vị vì bạn đang tìm kiếm kết quả quan trọng. FDA trong các nghiên cứu thử nghiệm lâm sàng yêu cầu kế hoạch thống kê phải được đánh vần hoàn toàn trong giao thức. trong một mô hình tuyến tính, bạn chắc chắn có thể xác định trước các độ tương phản mà bạn muốn xem xét trong trường hợp ANOVA hoặc ANCOVA tìm thấy một sự khác biệt tổng thể. Sự tương phản được chỉ định trước như vậy sẽ tốt để xem xét miễn là điều trị thông thường cho đa bội cũng là một phần của nó.

Nếu bạn có gói phần mềm như SAS, có lẽ bạn sẽ sử dụng Proc hỗn hợp để thực hiện mô hình hỗn hợp các biện pháp lặp lại và nếu bạn chỉ định độ tương phản nào bạn muốn sử dụng thì SAS sẽ xử lý đúng cách cho bạn. Bạn cũng có thể làm điều đó với tùy chọn lặp lại trong PROC GLM nhưng hãy cẩn thận vì chúng cư xử khác nhau và đưa ra các giả định khác nhau. Các quan sát lặp đi lặp lại thường được thực hiện bởi vì chúng có một cái gì đó phổ biến. Tôi thường có các biện pháp lặp đi lặp lại trên cùng một bệnh nhân tại các thời điểm khác nhau. Vì vậy, trong điện toán, sự tương phản các thuật ngữ hiệp phương sai đi vào vấn đề.