机器算法验证 - 哪个事后对不平衡 lmer 模型的多重比较更有效：lsm 或 mcp？ - 吾爱随笔录

在与我的混合 lmer 模型进行模型比较后，我有一个具有三个主要影响的模型，没有交互，比如说signal ~ factor A + factor B + factor C + (1|subj)。

因素 C 有三个级别，所以我想做一个事后测试，看看这些级别之间有何不同。我尝试了两种方法：

方法 1：mcp 与 Tukey（来自 multcomp 包）

summary(glht(myModel, mcp(factorC="Tukey"))

我得到以下结果：

     Simultaneous Tests for General Linear Hypotheses

Multiple Comparisons of Means: Tukey Contrasts


Fit: lme4::lmer(formula = signal ~ factorA + factorB + factor C + (1 | 
    subj), data = s)

Linear Hypotheses:
             Estimate Std. Error z value Pr(>|z|)  
e1 - e2 == 0   0.8071     0.4681   1.724   0.1984    
e1 - e3 == 0   1.9926     0.4681   4.257   <1e-04 ***
e2 - e3 == 0   1.1855     0.4681   2.533   0.0321 *    ---

Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Adjusted p values reported -- single-step method)

方法 2：lsm（来自 lsmeans 包）

summary(glht(myModel, lsm(pairwise ~ factorC)))

给我以下结果：

     Simultaneous Tests for General Linear Hypotheses

Fit: lme4::lmer(formula = signal ~ factorA + factorB + factorC + 
    (1 | ID), data = s)

Linear Hypotheses:
             Estimate Std. Error t value Pr(>|t|)    
e1 - e2 == 0   0.8071     0.4681   1.724    0.198    
e1 - e3 == 0   1.9926     0.4681   4.257   <1e-04 ***
e2 - e3 == 0   1.1855     0.4681   2.533    0.032 *  
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Adjusted p values reported -- single-step method)

结果非常相似，我猜想 lsm-results 更可靠，因为 lsmeans 明确适用于观察不等的模型。不过，我仍然想知道这样做是否可以接受，并希望有任何评论！