我有一个数据框架，包含以下列：整整24小时的时间、药物和流动性。
数据帧快照
Time Drug Mobility
18 A 1.2
19 A 1.3
20 A 1.3
21 A 1.2
18 B 3.2
19 B 3.2
20 B 3.3
21 B 3.3
然后，我使用以下代码进行双向方差分析，比较药物在每个时间点对流动性的影响：
mod = ols('Mobility~Time+Drug+Time*Drug', data = fdf).fit()
aov = anova_lm(mod, type=2)
然后我想做一个多对比测试(post-hoc(，特别是sidak，但不确定如何做。很难在网上找到任何可以学习的资源。
我知道我可以使用tukey的测试，但它比较了所有的东西，我也只对同一时间点的药物效果感兴趣：
18+A - 18+B
19+A - 19+B
20+A - 20+B
不是：
18+A - 19+B
18+A - 20+B
20+A - 18+A
任何援助都将极大地帮助
如果您只对组内的比较感兴趣，那么您的系数中已经有了它们。
使用示例数据集：
import statsmodels.formula.api as sm
import pandas as pd
import numpy as np
from statsmodels.stats.anova import anova_lm
from statsmodels.stats.multitest import multipletests
fdf = pd.DataFrame({'Time':np.random.choice([18,19,20],50),
'Drug':np.random.choice(['A','B'],50),
'Mobility':np.random.uniform(0,1,50)})
fdf['Time'] = pd.Categorical(fdf['Time'])
mod = sm.ols('Mobility~Time+Drug+Time:Drug', data = fdf).fit()
aov = anova_lm(mod, type=2)
结果如下：
mod.summary()
OLS Regression Results
==============================================================================
Dep. Variable: Mobility R-squared: 0.083
Model: OLS Adj. R-squared: -0.021
Method: Least Squares F-statistic: 0.7994
Date: Wed, 08 Dec 2021 Prob (F-statistic): 0.556
Time: 07:13:14 Log-Likelihood: -4.4485
No. Observations: 50 AIC: 20.90
Df Residuals: 44 BIC: 32.37
Df Model: 5
Covariance Type: nonrobust
========================================================================================
coef std err t P>|t| [0.025 0.975]
----------------------------------------------------------------------------------------
Intercept 0.4063 0.094 4.323 0.000 0.217 0.596
Time[T.19] 0.1622 0.149 1.091 0.281 -0.137 0.462
Time[T.20] -0.0854 0.133 -0.643 0.524 -0.353 0.182
Drug[T.B] 0.0046 0.149 0.031 0.975 -0.295 0.304
Time[T.19]:Drug[T.B] -0.1479 0.206 -0.717 0.477 -0.564 0.268
Time[T.20]:Drug[T.B] 0.2049 0.199 1.028 0.310 -0.197 0.607
在这种情况下，Time=18是参考，因此Drug[T.B]将是B wrt对A的影响，在Time=18，这是18+B - 18+A的结果，Time[T.19]:Drug[T.B]将是19+B - 19+A，Time[T.20]:Drug[T.B]将是20+B - 20+A。
对于多次比较调整，您可以简单地提取这些结果并计算校正的p值：
res = pd.concat([mod.params,mod.pvalues],axis=1)
res.columns=['coefficient','pvalues']
res = res[res.index.str.contains('Drug')]
res['corrected_p'] = multipletests(res['pvalues'],method="sidak")[1]
res['comparison'] = ['18+B - 18+A','19+B - 19+A','20+B - 20+A']
coefficient pvalues corrected_p comparison
Drug[T.B] 0.004630 0.975284 0.999985 18+B - 18+A
Time[T.19]:Drug[T.B] -0.147928 0.477114 0.857038 19+B - 19+A
Time[T.20]:Drug[T.B] 0.204925 0.309616 0.670942 20+B - 20+A
另请参阅有关多重测试的帮助页面