如何在R中对事后测试结果进行分类?

Question

我试图了解如何在R中使用方差分析和事后测试。到目前为止，我已经使用了aov()和TukeyHSD()来分析我的数据。例子:

uni2.anova <- aov(Sum_Uni ~ Micro, data= uni2)
uni2.anova
Call:
aov(formula = Sum_Uni ~ Micro, data = uni2)
Terms:
                    Micro  Residuals
Sum of Squares  0.04917262 0.00602925
Deg. of Freedom         15         48
Residual standard error: 0.01120756 
Estimated effects may be unbalanced

我的问题是，现在我有一个巨大的成对比较列表，但不能对它做任何事情:

 TukeyHSD(uni2.anova)
 Tukey multiple comparisons of means
   95% family-wise confidence level
Fit: aov(formula = Sum_Uni ~ Micro, data = uni2)
$Micro
                               diff          lwr           upr     p adj
Act_Glu2-Act_Ala2     -0.0180017863 -0.046632157  0.0106285840 0.6448524
Ana_Ala2-Act_Ala2     -0.0250134285 -0.053643799  0.0036169417 0.1493629
NegI_Ala2-Act_Ala2     0.0702274527  0.041597082  0.0988578230 0.0000000

这个数据集有40行…理想情况下，我希望得到一个看起来像这样的数据集:

• Act_Glu2: a
• Act_Ala2: a
• NegI_Ala2: b…

我希望你明白我的意思。到目前为止，我在网上没有找到类似的……我还试图在TukeyHSD产生的文件中只选择有意义的对，但该文件不"承认"它是由行&列，使选择不可能…

也许我的方法有根本的问题?

Answer 1

我认为OP想让字母看到比较。

library(multcompView)
multcompLetters(extract_p(TukeyHSD(uni2.anova)))

这样你就能拿到信了。

也可以使用multicomp包

library(multcomp)
cld(glht(uni2.anova, linct = mcp(Micro = "Tukey")))

我希望这是你需要的。

Answer 2

TukeyHSD的结果是一个列表。用str来观察结构。在你的例子中，你会看到它是一个包含一个项目的列表，这个项目基本上是一个矩阵。因此，要提取第一列，您需要保存TukeyHSD结果

hsd <- TukeyHSD(uni2.anova)

如果你看str(hsd)，你可以，你可以得到比特…

hsd$Micro[,1]

这将给出您的差异栏。您现在应该能够提取您想要的内容。

Answer 3

没有示例数据很难判断，但假设Micro只是一个具有4个级别的因子，uni2看起来像

n = 40
Micro = c('Act_Glu2', 'Act_Ala2', 'Ana_Ala2', 'NegI_Ala2')[sample(4, 40, rep=T)]
Sum_Uni = rnorm(n, 5, 0.5)
Sum_Uni[Micro=='Act_Glu2'] = Sum_Uni[Micro=='Act_Glu2'] + 0.5
uni2 = data.frame(Sum_Uni, Micro)

> uni2
   Sum_Uni     Micro
1 4.964061  Ana_Ala2
2 4.807680  Ana_Ala2
3 4.643279 NegI_Ala2
4 4.793383  Act_Ala2
5 5.307951 NegI_Ala2
6 5.171687  Act_Glu2
...

那么我认为你实际上想要得到的是基本的多元回归输出:

fit = lm(Sum_Uni ~ Micro, data = uni2)
summary(fit)
anova(fit)

> summary(fit)
Call:
lm(formula = Sum_Uni ~ Micro, data = uni2)
Residuals:
     Min       1Q   Median       3Q      Max 
-1.26301 -0.35337 -0.04991  0.29544  1.07887 
Coefficients:
               Estimate Std. Error t value Pr(>|t|)    
(Intercept)      4.8364     0.1659  29.157  < 2e-16 ***
MicroAct_Glu2    0.9542     0.2623   3.638 0.000854 ***
MicroAna_Ala2    0.1844     0.2194   0.841 0.406143    
MicroNegI_Ala2   0.1937     0.2158   0.898 0.375239    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 
Residual standard error: 0.4976 on 36 degrees of freedom
Multiple R-squared: 0.2891, Adjusted R-squared: 0.2299 
F-statistic:  4.88 on 3 and 36 DF,  p-value: 0.005996 
> anova(fit)
Analysis of Variance Table
Response: Sum_Uni
          Df Sum Sq Mean Sq F value   Pr(>F)   
Micro      3 3.6254 1.20847  4.8801 0.005996 **
Residuals 36 8.9148 0.24763                    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

您可以访问这些表中的数字，例如

> summary(fit)$coef[2,4]
[1] 0.0008536287

要查看每个对象中存储的内容列表，使用names():

> names(summary(fit))
 [1] "call"          "terms"         "residuals"     "coefficients" 
 [5] "aliased"       "sigma"         "df"            "r.squared"    
 [9] "adj.r.squared" "fstatistic"    "cov.unscaled" 

除了您找到的TukeyHSD()函数之外，还有许多其他选项可以进一步查看成对测试，并在需要时纠正p值。这些包括gmodels中的pairwise.table(), estimable(), resampling和boot包，以及其他…