r-Ls是指在控制其他两个因素时产生相同的p值

Question

以前，我在使用lme4模型控制其他因素的同时，使用lsmeans来识别组间的显著差异时没有遇到任何问题。然而，以下数据集着眼于荧光，无论其他因素水平如何，lsmeans都会产生相同的p值

此示例中使用的数据子集可在此处找到：https://drive.google.com/file/d/0B3-esLisG8EbTzA3cjVpRGtjREU/view?usp=sharing

数据

响应：此处为1/0存在/不存在。(还包括平均像素强度和cbind百分比覆盖)

固定因素1：热处理-2级

固定因素2：竞争待遇-2级

固定因素3：时间处理-2级

随机因素：无

模型创建

library(lme4)
model<-glm(presence ~ heat.treatment + competition.treatment + time.post.mating.hrs,  binomial(link= "logit"), data=gfptest)

包括了组织相互作用术语，但根据AIC测试，它们的存在并不显著。使用drop1对固定因子去除热量进行显著性测试是重要的

drop1(model, test= "Chi")
# presence ~ heat.treatment + competition.treatment + time.post.mating.hrs
#                      Df Deviance    AIC    LRT Pr(>Chi)   
#<none>                     30.589 38.589                   
#heat.treatment         1   39.114 45.114 8.5251 0.003503 **
#competition.treatment  1   30.876 36.876 0.2868 0.592297   
#time.post.mating.hrs   1   32.410 38.410 1.8206 0.177237   

我想在控制竞争处理和时间处理的同时，测试控制和热处理之间的差异。例如，在0.5小时和没有竞争的时间点，控制和加热之间的存在是否显著不同，在24小时和没有比赛的时间点控制和加热间的存在是否明显不同，等等。我试过lsmeans函数(多个comp也产生了类似的结果)

lsmeans(model, pairwise~heat.treatment+competition.treatment+time.post.mating.hrs, adjust="tukey")

以及更明确的

model <- lsmeans(model, "heat.treatment", by = "competition.treatment", at = list( time.post.mating.hrs = "0.5"))
modelsum<- summary(model, infer= c(TRUE,TRUE), level= .90, adjust= "bon", by="competition.treatment")
modelsum

对(型号)

然而，在每个组组合中，两者都给出了相同的p值；当查看方框图并对数据进行成对的mann-whitney-U测试时，这似乎并不准确

$contrasts
contrast                                            estimate           SE df z.ratio p.value
control,single,0.5 - heat,single,0.5              18.3718560 2224.3464134 NA   0.008  1.0000
control,competition,0.5 - heat,competition,0.5    18.3718560 2224.3464134 NA   0.008  1.0000
control,single,24 - heat,single,24                18.3718560 2224.3464134 NA   0.008  1.0000
control,competition,24 - heat,competition,24      18.3718560 2224.3464134 NA   0.008  1.0000

我已经尝试探索数据帧，以消除p值相同的原因。通过将因素数量减少到两个并使用不同的响应变量/误差分布，问题仍然很明显。

如有任何关于解决lsmean/类似软件包问题的帮助，我们将不胜感激。作为第二种选择，关于是否可以接受进行泊松/二项glm()的任何建议，然后用t检验/mann whitneys 进行事后检验

Answer 1

你会注意到p值都是一样的，而且显然没有注意到估计的差异和标准误差都是一样，这似乎很奇怪。大多数人都会先看这些。(如果你没有，我强烈推荐它；我们应该谈谈效果之类的，P值只是附件。)

无论如何，解释是你拟合了一个加法模型——一个没有相互作用的模型。这种模型规定，一个因素的影响完全相同，而不考虑任何其他因素的水平。这正是你所看到的。

简而言之，这与lsmeans()无关，而是与您安装的型号有关。