我正在寻找“比例同质性卡方检验的事后成对比较”（或其等效项），如下所述：http: //epm.sagepub.com/cgi/content/abstract /53/4/951 然而，除了那篇文章，我找不到一个 R 包来做这个，或者任何其他形式的软件。我希望我只是消息灵通
我的情况是在 2 x X 矩阵上进行卡方检验。我发现了一个差异，但我想知道哪些科目对差异“负责”。
以前在这里有人问过这个问题，但没有得到答复。在此期间有什么变化吗？我也在找这个。
比例同质性卡方检验的事后成对比较
机器算法验证
r
卡方检验
2022-04-21 14:01:47
1个回答
具有显着的卡方并不一定意味着一个主题与其他主题不同。但是，如果是这种情况，解决此问题的一种方法是拟合逻辑回归模型并对其进行对比，将每个预测与其他预测的平均值进行比较。
这是一个例子。首先，一个假数据集：
> fake = data.frame(
+ subj = factor(1:5),
+ pos = c(34, 36, 40, 62, 35),
+ neg = c(66, 64, 60, 38, 65))
拟合逻辑回归模型并获得偏差
> fake.glm = glm(cbind(pos, neg) ~ subj, family = binomial(), data = fake)
> anova(fake.glm)
Analysis of Deviance Table
Model: binomial, link: logit
Response: cbind(pos, neg)
Terms added sequentially (first to last)
Df Deviance Resid. Df Resid. Dev
NULL 4 22.486
subj 4 22.486 0 0.000
偏差统计量是卡方检验，但与常用的 Pearson 卡方不同。具有 4 df 的 22.486 的卡方是显着的。
lsmeans包提供了一种获得事后对比的方法。其他可能性包括multcomp和effects。
> library(lsmeans)
> ( fake.lsm = lsmeans(fake.glm, "subj") )
subj lsmean SE df asymp.LCL asymp.UCL
1 -0.6632942 0.2111002 NA -1.07704294 -0.249545496
2 -0.5753641 0.2083333 NA -0.98368998 -0.167038315
3 -0.4054651 0.2041241 NA -0.80554108 -0.005389135
4 0.4895482 0.2060214 NA 0.08575368 0.893342771
5 -0.6190392 0.2096570 NA -1.02995931 -0.208119103
Confidence level used: 0.95
上表总结了预测值，以及 SE 和置信区间。您还可以获得这些结果的可视化显示：
> plot(fake.lsm)
以下获得估计和相关将这些中的每一个与其他的平均值进行比较的统计数据：
> contrast(fake.lsm, "del.eff")
contrast estimate SE df z.ratio p.value
1 effect -0.38571416 0.2351174 NA -1.6405175 0.2523
2 effect -0.27580157 0.2327922 NA -1.1847544 0.2952
3 effect -0.06342777 0.2292697 NA -0.2766513 0.7821
4 effect 1.05533890 0.2308552 NA 4.5714324 <.0001
5 effect -0.33039540 0.2339036 NA -1.4125281 0.2630
P value adjustment: fdr method for 5 tests
我们发现主题 4 的预测明显高于其他人的平均水平。当del.eff指定对比时，FDR（错误发现率）是多重测试的默认调整。它似乎适合这种应用程序。
如果您愿意，您可以改为根据, 而不是 logits。
> ( fake.lsmp = regrid(fake.lsm, transform = TRUE) )
subj prob SE df asymp.LCL asymp.UCL
1 0.34 0.04737088 NA 0.2471548 0.4328452
2 0.36 0.04800000 NA 0.2659217 0.4540783
3 0.40 0.04898979 NA 0.3039818 0.4960182
4 0.62 0.04853864 NA 0.5248660 0.7151340
5 0.35 0.04769696 NA 0.2565157 0.4434843
Confidence level used: 0.95
...并在此对象上使用类似的命令来获得对比或绘图。
这些方法可能与您链接的参考不完全相同，但它们的作用相同。