Hola,
Lo primero muchas gracias a todos por vuesta habitual ayuda. Llevo meses
con las funciones lmer, pero tengo un problema no se como plantear unas
comparaciones multiples una vez demostrado que el factor tiene diferencias
significativas.
Tengo multiples opciones,
Solución A: una es hacer un bonferroni a saco (pero eso me chirria ya que
tego muchos datos)
Solución B: Otra es utilizar glht, pero esa opción no me convence del todo.
Solución C: Otra es intentar imitar este articulo cosa que he sido
incapaz(tabla 1)
http://www.mitpressjournals.org/doi/pdfplus/10.1162/jocn_a_00143
http://cran.r-project.org/web/packages/LMERConvenienceFunctions/LMERConvenienceFunctions.pdf
Como un scrip vale más que mil palabras. Os dejo uno para que lo corrais en
vuestros ordenadores y me digais cual de las dos soluciones A o B es mejor.
O si harías otra cosa solución C o la que propongais.
##################################################################################
# Script con las soluciones A, B y C. Los primeros pasos crean un set de
datos. Luego #
# hago el modelo y por último presento las tres soluciones
posibles. #
##################################################################################
rm(list= ls())
#--------------------------------------
# Cargamos librerias
# OJO, esto te puede descargar algunas librerias en tu equipo que tal vez
no quieras
# OJO, esto te puede descargar algunas librerias en tu equipo que tal vez
no quieras
# OJO, esto te puede descargar algunas librerias en tu equipo que tal vez
no quieras
# OJO, esto te puede descargar algunas librerias en tu equipo que tal vez
no quieras
#--------------------------------------
if(!require(lme4)){
install.packages("lme4")
}
if(!require(languageR)){
install.packages("languageR")
}
if(!require(LMERConvenienceFunctions)){
install.packages("LMERConvenienceFunctions")
}
if(!require(multcomp)){
install.packages("multcomp")
}
#--------------------------------------
# Selecciono datos
#--------------------------------------
data(danish)
danish[danish$LogRT==max(danish[ danish$Subject != "2s22", ]$LogRT),]
danish[danish$LogRT==min(danish[ danish$Subject != "2s16", ]$LogRT),]
datos <- danish[ ,]
# bar ede en ende er ere eri est et hed isk iv lig ning s som
datos <- danish[danish$Affix %in% c("bar", "et",
"ning" ) & danish$Subject
%in% c("2s22", "2s01", "2s16", "2s05"),]
datos$Affix <- factor(datos$Affix)
datos$group <- NA
datos[ datos$Subject %in% c("2s22", "2s01"),]$group <-
"Bien"
datos[ datos$Subject %in% c("2s16", "2s05"),]$group <-
"Mal"
datos$group <- factor(datos$group)
summary(datos)
#--------------------------------------
# HAgo el modelo
#--------------------------------------
m1 <- lmer( LogRT ~ Affix * group + (1|Subject), data= datos)
pamer.fnc(m1)
#----------------------------------------------------------------------------------------------------------------
# Soluciones post hoc
# A) Solución uno Bonferroni
# B) Solución glht
# C) mcposthoc.fnc (Si no se está familiarizado no mirar. No lo he podido
explicar, pues no lo entiendo)
#----------------------------------------------------------------------------------------------------------------
#--------------------------------------
# A) Solución uno Bonferroni
#--------------------------------------
# No se si me termina de convecer al ser medidas repetidas el tamaño de
los datos puede ser grande y esto puede magnificar los efectos
# Aunque es comoda
http://stats.stackexchange.com/questions/14078/post-hoc-test-after-anova-with-repeated-measures-using-r
# Un factor
pairwise.t.test( x= datos$LogRT , g= datos$group,
p.adjust.method="bonferroni")
# Dos factores. Interacción
pairwise.t.test( x= datos$LogRT , g= paste(datos$Affix,datos$group),
p.adjust.method="bonferroni")
#--------------------------------------
# B) Solución glht
#--------------------------------------
# Es buena, pero para interacciones me chirria
#
http://stats.stackexchange.com/questions/14078/post-hoc-test-after-anova-with-repeated-measures-using-r
# http://www.ats.ucla.edu/stat/r/faq/testing_contrasts.htm
#
http://thebiobucket.blogspot.com.es/2011/06/glmm-with-custom-multiple-comparisons.html#more
# Un Factor
summary(glht(model= m1,linfct=mcp( group = "Tukey") ), test =
adjusted(type
= "bonferroni"))
# Dos factores
datos$AffGroup <- interaction(datos$Affix, datos$group)
m2 <- lmer( LogRT ~ AffGroup + (1|Subject), data= datos)
pamer.fnc(m2)
summary(glht(model= m2,linfct=mcp( AffGroup = "Tukey") ), test
adjusted(type = "bonferroni"))
#--------------------------------------
# C) Solución paper
#--------------------------------------
# No tengo para nada claro lo que hace. No hace falta que nadie se lo mire
exprofeso. Pero si ya conoce como funciona y le interesa me puede comentar
# http://www.mitpressjournals.org/doi/pdfplus/10.1162/jocn_a_00143
m1.posthoc <- mcposthoc.fnc(m1, var = list(ph1 = "Affix",
ph2 = "group"), mcmc = F,
nsim 100,
mc.cores = 1)
names(m1.posthoc)
as.matrix(names(m1.posthoc$var))
as.matrix(names(m1.posthoc$summaries))
levels(eeg$LengthBd)
summary(m1.posthoc)
--
[[alternative HTML version deleted]]
