我已经在stats.exchange上问过这个问题（最初的问题），现在我在这里重新发布了同样的内容，希望得到更多人的帮助。
我想知道如何从双向方差分析生成的输出中排除所有不需要的配对，所以当summary（aov（））显示出显著结果时，事后测试不会给我任何我不想要的比较。详情如下：
我的datTable包含两个因素site（四个级别：A、B、C、D）和treatment（两个级别：对照和治疗）下的比例数据。具体地说，我想在每个相同的treatment下的所有site之间进行成对测试（例如，控制-a VS.control-B、控制-a VS.control-C、处理-a VS.treated-C等），同时排除不同sites和不同treatments之间的比较（例如，对如控制-a VS.treated-B、控制-B VS.treated-C）。
数据如下：
> datTable
site treatment proportion
A control 0.5000000
A control 0.4444444
A treated 0.1000000
A treated 0.4000000
B control 0.4444444
B control 0.4782609
B treated 0.0500000
B treated 0.3000000
C control 0.3214286
C control 0.4705882
C treated 0.1200000
C treated 0.4000000
D control 0.3928571
D control 0.4782609
D treated 0.4000000
D treated 0.4100000
我做了一个双向ANOVA（也不确定是在受试者site/treatment内使用还是在受试人site*treatment之间使用…），并总结了结果。
m1 <- aov(proportion~site*treatment,data=datTable) # Or should I use 'site/treatment'?
然后我的summary(m1)给了我以下内容：
> summary(m1)
Df Sum Sq Mean Sq F value Pr(>F)
site 3 0.02548 0.00849 0.513 0.6845
treatment 1 0.11395 0.11395 6.886 0.0305 *
site:treatment 3 0.03686 0.01229 0.742 0.5561
Residuals 8 0.13239 0.01655
下一步是使用TukeyHSD事后检验，看看究竟是哪对导致了site因子中*的显著性。
> TukeyHSD(m1)
Tukey multiple comparisons of means
95% family-wise confidence level
Fit: aov(formula = proportion ~ site * treatment, data = datTable)
$site
diff lwr upr p adj
B-A -0.042934783 -0.3342280 0.2483585 0.9631797
C-A -0.033106909 -0.3244002 0.2581863 0.9823452
D-A 0.059168392 -0.2321249 0.3504616 0.9124774
C-B 0.009827873 -0.2814654 0.3011211 0.9995090
D-B 0.102103175 -0.1891901 0.3933964 0.6869754
D-C 0.092275301 -0.1990179 0.3835685 0.7461309
$treatment
diff lwr upr p adj
treated-control -0.1687856 -0.3171079 -0.02046328 0.0304535
$`site:treatment`
diff lwr upr p adj
B:control-A:control -0.010869565 -0.5199109 0.4981718 1.0000000
C:control-A:control -0.076213819 -0.5852551 0.4328275 0.9979611
D:control-A:control -0.036663216 -0.5457045 0.4723781 0.9999828
A:treated-A:control -0.222222222 -0.7312635 0.2868191 0.6749021
B:treated-A:control -0.297222222 -0.8062635 0.2118191 0.3863364 # Not wanted
C:treated-A:control -0.212222222 -0.7212635 0.2968191 0.7154690 # Not wanted
D:treated-A:control -0.067222222 -0.5762635 0.4418191 0.9990671 # Not wanted
C:control-B:control -0.065344254 -0.5743856 0.4436971 0.9992203
D:control-B:control -0.025793651 -0.5348350 0.4832477 0.9999985
A:treated-B:control -0.211352657 -0.7203940 0.2976887 0.7189552 # Not wanted
B:treated-B:control -0.286352657 -0.7953940 0.2226887 0.4233804 # Not wanted
C:treated-B:control -0.201352657 -0.7103940 0.3076887 0.7583437 # Not wanted
D:treated-B:control -0.056352657 -0.5653940 0.4526887 0.9996991
D:control-C:control 0.039550603 -0.4694907 0.5485919 0.9999713
A:treated-C:control -0.146008403 -0.6550497 0.3630329 0.9304819 # Not wanted
B:treated-C:control -0.221008403 -0.7300497 0.2880329 0.6798628 # Not wanted
C:treated-C:control -0.136008403 -0.6450497 0.3730329 0.9499131
D:treated-C:control 0.008991597 -0.5000497 0.5180329 1.0000000 # Not wanted
A:treated-D:control -0.185559006 -0.6946003 0.3234823 0.8168230 # Not wanted
B:treated-D:control -0.260559006 -0.7696003 0.2484823 0.5194129 # Not wanted
C:treated-D:control -0.175559006 -0.6846003 0.3334823 0.8505865 # Not wanted
D:treated-D:control -0.030559006 -0.5396003 0.4784823 0.9999950
B:treated-A:treated -0.075000000 -0.5840413 0.4340413 0.9981528
C:treated-A:treated 0.010000000 -0.4990413 0.5190413 1.0000000
D:treated-A:treated 0.155000000 -0.3540413 0.6640413 0.9096378
C:treated-B:treated 0.085000000 -0.4240413 0.5940413 0.9960560
D:treated-B:treated 0.230000000 -0.2790413 0.7390413 0.6429921
D:treated-C:treated 0.145000000 -0.3640413 0.6540413 0.9326207
然而，有一些对我不想被包括在我预先进行的双向方差分析中，指定为# not wanted。
有没有什么方法可以调整aov或TukeyHSD函数来排除我上面列出的那些可能性（"不想要的"）？我可以很容易地从TukeyHSD产生的长列表中选择我感兴趣的重要条目（*）。但我不希望我从anova得到的结果被这些结果所偏见！（在真实数据中，那些不需要的配对实际上导致了显著性！）
注意：你可能已经注意到site:treatment后期测试没有显示出任何意义，这是因为我只从原始数据中选择了一个小样本。
如果您想将这些比较完全排除在计算之外，Tukey的测试通过对所有条件组合进行成对比较来实现。"排除"任何配对都没有意义。
如果你的意思是，你想在最终结果中排除不需要的比较，那么是的，这是可能的。TukeyHSD的结果只是一个列表，site:treatment只是一个矩阵，您可以随心所欲地操作它。
lst <- TukeyHSD(m1)
lst[['site:treatment']] <- lst[['site:treatment']][-c(5,6,7,10,11,12,15,16,18,19,20,21),]