Это может выглядеть как самореклама (и я полагаю, что это так). Но я разработал пакет lsmeans для R (доступный на CRAN), который предназначен именно для такой ситуации. Вот как это работает для вашего примера:
> sample.data <- data.frame(IV=rep(1:4,each=20),DV=rep(c(-3,-3,1,3),each=20)+rnorm(80))
> sample.aov <- aov(DV ~ factor(IV), data = sample.data)
> library("lsmeans")
> (sample.lsm <- lsmeans(sample.aov, "IV"))
IV lsmean SE df lower.CL upper.CL
1 -3.009669 0.2237448 76 -3.4552957 -2.564043
2 -3.046072 0.2237448 76 -3.4916980 -2.600445
3 1.147080 0.2237448 76 0.7014539 1.592707
4 3.049153 0.2237448 76 2.6035264 3.494779
> contrast(sample.lsm, list(mycon = c(-3,-1,1,3)))
contrast estimate SE df t.ratio p.value
mycon 22.36962 1.000617 76 22.356 <.0001
Вы можете указать дополнительные контрасты в списке, если хотите. В этом примере вы получите те же результаты со встроенным линейным полиномиальным контрастом:
> con <- contrast(sample.lsm, "poly")
> con
contrast estimate SE df t.ratio p.value
linear 22.369618 1.0006172 76 22.356 <.0001
quadratic 1.938475 0.4474896 76 4.332 <.0001
cubic -6.520633 1.0006172 76 -6.517 <.0001
Чтобы подтвердить это, обратите внимание, что "poly"
спецификация направляет его на вызов poly.lsmc
, что приводит к следующим результатам:
> poly.lsmc(1:4)
linear quadratic cubic
1 -3 1 -1
2 -1 -1 3
3 1 -1 -3
4 3 1 1
Если вы хотите выполнить совместную проверку нескольких контрастов, используйте test
функцию с joint = TRUE
. Например,
> test(con, joint = TRUE)
Это даст тест типа III. В отличие от этого car::Anova()
, он будет делать это правильно, независимо от контрастного кодирования, используемого на этапе подбора модели. Это связано с тем, что тестируемые линейные функции указываются напрямую, а не неявно, посредством сокращения модели. Дополнительная особенность заключается в том, что обнаруживается случай, когда проверяемые контрасты являются линейно зависимыми, и вырабатываются правильные статистические данные и степени свободы.