Post-hoc-Statistikanalyse für wiederholte Messungen ANOVA-Behandlung innerhalb der Zeit Wirkung

Question

Ich habe Probleme, einen Post-hoc-Test zu finden, um zu entschlüsseln, zu welcher "Sitzung" oder Zeit ich eine Behandlung innerhalb der Sitzung habe.

Dies ist meine Daten:

TR SESSION MAC FISHD  ID 
1 1  1 3.285714286 1 
2 1  2 0.571428571 2 
2 1  3 3.571428571 3 
1 1  4 4   4 
1 2  1 4   5 
2 2  2 6.571428571 6 
2 2  3 3.142857143 7 
1 2  4 8.857142857 8 
1 3  1 0.714285714 9 
2 3  2 1.714285714 10 
2 3  3 4.428571429 11 
1 3  4 0.714285714 12 

Dies ist, wie ich Maßnahmen wiederholt wurde:

model.b = lme(FISHD ~ TR + SESSION + TR*SESSION, 
      random = ~1|MAC, 
      data=TTDall2) 

> ACF(model.b) 
    lag  ACF 
1 0 1.0000000 
2 1 -0.7547232 
3 2 0.4852727 

> model2 = lme(FISHD ~ TR + SESSION + TR*SESSION, 
+ random = ~1|MAC, 
+ correlation = corAR1(form = ~ SESSION | MAC, 
+                                    value = -0.7547232), 
+ data=TTDall2, 
+ method="REML") 
> Anova(model2) 
Analysis of Deviance Table (Type II tests) 

Response: FISHD 
        Chisq  Df Pr(>Chisq)  
TR    0.2014  1  0.6536  
SESSION   25.0418 1 5.61e-07 *** 
TR:SESSION  103.9113 1 < 2.2e-16 *** 
--- 
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

Ich versuche, wenn zu entziffern es eine Behandlung beeinflussen ist. Irgendwelche Ideen?

Answer 1

Im Moment modellieren Sie Sitzung als eine kontinuierliche Variable und so ist der berichtete Koeffizient für TR:SESSION eine Art "Test des Trends" über den Bereich 1: 3 für diesen Wert von SESSION in TRT = 2 .... Ist das das, was Sie zu entdecken hofften? Sagen sie es richtig tun, mit Faktoren und insbesondere schafft einen ordered Faktor:

model2 = lme(FISHD ~ factor(TR)*ordered(SESSION), # same as TRT+SESSION+TRT*ORDERED 
random = ~1|MAC, 
correlation = corAR1(form = ~ SESSION | MAC, 
value = -0.7547232), 
    data=dat, 
    method="REML") 
anova(model2) 
#------ 
          numDF denDF F-value p-value 
(Intercept)      1  4 37.48966 0.0036 
factor(TR)      1  2 0.20124 0.6976 
ordered(SESSION)    2  4 13.94379 0.0157 
factor(TR):ordered(SESSION)  2  4 52.02864 0.0014 

So sagt dies, dass eine Analyse, die die Interaktion von TRT mit Folge von Sitzungen berücksichtigt die Wirkung einen signifikanten Unterschied findet von TRT. Wenn Sie nicht über das Interaktionsmodell (unter Verwendung der Formel: FISHD ~ factor(TR)+ordered(SESSION), dann ist keine Komponente von Bedeutung:

model1 = lme(FISHD ~ factor(TR)+ordered(SESSION), 
random = ~1|MAC, 
correlation = corAR1(form = ~ SESSION | MAC, value = -0.7547232), 
    data=dat, 
    method="REML") 
anova(model1) 
#------------- 
       numDF denDF F-value p-value 
(Intercept)   1  6 44.53272 0.0005 
factor(TR)   1  2 0.14143 0.7430 
ordered(SESSION)  2  6 2.55154 0.1578 

Und:

> anova(model1, model2) 
     Model df  AIC  BIC logLik Test L.Ratio p-value 
model1  1 7 54.74813 55.30422 -20.37406       
model2  2 9 44.04435 42.17018 -13.02217 1 vs 2 14.70378 6e-04 
Warning message: 
In anova.lme(model1, model2) : 
    fitted objects with different fixed effects. REML comparisons are not meaningful. 

Das ist eine Warnung, aber ich glaube nicht, dass da die varaialbes hier gilt in dem Modell sind die gleichen und nur die Struktur ist anders