我在 R 中有一个 lsmeans 问题。我想对交互进行事后分析，类似于 lsmeans 文档中提供的示例。
我对 p 值是否相同这一事实感到困惑
warp.lm <- lm(breaks ~ wool * tension, data = warpbreaks)
（一个）：
lsmeans(warp.lm, list(pairwise ~ wool|tension, pairwise ~ tension|wool))
或 (B)：
lsmeans(warp.lm, list(pairwise ~ wool|tension))
在 (A) 的情况下 p 值是否应该不高于 (B)？(A) 进行 9 次事后比较，(B) 仅 3 次。
我可以确定 (A) 已针对所有 9 个比较进行了调整吗？
谢谢！
lsmeans的下一次更新（2.20 或更高版本）将包括rbind用于ref.grid和lsmobj对象的方法。它可以很容易地将两个或矿石对象组合成一个族，并且默认为"mvt"调整方法。这是当前示例：
> w.t <- pairs(lsmeans(warp.lm, ~ wool | tension))
> t.w <- pairs(lsmeans(warp.lm, ~ tension | wool))
> rbind(w.t, t.w)
tension wool contrast estimate SE df t.ratio p.value
L . A - B 16.3333333 5.157299 48 3.167 0.0203
M . A - B -4.7777778 5.157299 48 -0.926 0.9119
H . A - B 5.7777778 5.157299 48 1.120 0.8258
. A L - M 20.5555556 5.157299 48 3.986 0.0018
. A L - H 20.0000000 5.157299 48 3.878 0.0027
. A M - H -0.5555556 5.157299 48 -0.108 1.0000
. B L - M -0.5555556 5.157299 48 -0.108 1.0000
. B L - H 9.4444444 5.157299 48 1.831 0.3793
. B M - H 10.0000000 5.157299 48 1.939 0.3191
P value adjustment: mvt method for 9 tests
如果您确实指定 Tukey 而不是 mvt，它会非常接近相同的结果：
> test(rbind(w.t, t.w), adjust = "tukey")
tension wool contrast estimate SE df t.ratio p.value
L . A - B 16.3333333 5.157299 48 3.167 0.0196
M . A - B -4.7777778 5.157299 48 -0.926 0.8683
H . A - B 5.7777778 5.157299 48 1.120 0.7727
. A L - M 20.5555556 5.157299 48 3.986 0.0018
. A L - H 20.0000000 5.157299 48 3.878 0.0026
. A M - H -0.5555556 5.157299 48 -0.108 0.9999
. B L - M -0.5555556 5.157299 48 -0.108 0.9999
. B L - H 9.4444444 5.157299 48 1.831 0.3467
. B M - H 10.0000000 5.157299 48 1.939 0.2922
P value adjustment: tukey method for comparing a family of 4.772 estimates
奇怪的小数家庭规模来自。
您显示的两个lsmeans语句都会生成s列表，lsmobj并且这些列表的每个元素都是单独处理的。如果您想对两个或多个组合的列表进行整体调整，这是技术性的，需要一些工作。
首先，保存列表：
lsmlist = lsmeans(warp.lm, list(pairwise ~ wool|tension,
pairwise ~ tension|wool))
这将创建一个 4 lsmobjs 的列表（最初是两个两个列表）
> names(lsmlist)
[1] "lsmeans of wool | tension"
[2] "pairwise differences of contrast, tension | tension"
[3] "lsmeans of tension | wool"
[4] "pairwise differences of contrast, wool | wool"
用户希望将 3 个比较lsmlist[[2]]与 6 个相结合，lsmlist[[4]]并对这 9 个比较进行总体多重性调整。
首先，lsmobj从其中一个结果创建一个新的，然后修复它。
mydiffs = lsmlist[[4]]
首先，将两组比较的线性函数绑定在一起：
mydiffs@linfct = rbind(lsmlist[[2]]@linfct, lsmlist[[4]]@linfct)
我们还需要定义grid槽，它定义了与每个线性函数相关的因素。为简单起见，我只contrast为 9 个对比定义了一个以 9 个级别命名的因子（这里可以做一些更有趣的事情）。
mydiffs@grid = data.frame(contrast = 1:9)
最后，修复记账的辅助信息。我们现在使用我们的新contrast因子作为唯一的变量，没有“by”变量。对于 9 个对比的组合系列，Tukey 调整没有意义，因此我们使用多元 ( ) 方法："mvt"
mydiffs = update(mydiffs, pri.vars = "contrast", by.vars = NULL,
adjust="mvt")
现在，我们可以查看生成的摘要：
> mydiffs
contrast estimate SE df t.ratio p.value
1 16.3333333 5.157299 48 3.167 0.0205
2 -4.7777778 5.157299 48 -0.926 0.9119
3 5.7777778 5.157299 48 1.120 0.8258
4 20.5555556 5.157299 48 3.986 0.0019
5 20.0000000 5.157299 48 3.878 0.0026
6 -0.5555556 5.157299 48 -0.108 1.0000
7 -0.5555556 5.157299 48 -0.108 1.0000
8 9.4444444 5.157299 48 1.831 0.3796
9 10.0000000 5.157299 48 1.939 0.3190
P value adjustment: mvt method for 9 tests
我可以考虑添加一个组合lsm.list对象的功能，但这并不简单——主要是因为在为结果（grid部分）获取有意义的标签方面很复杂。不同的用户期望不同的默认值也是一个问题。