3 차 반복 측정 분석에 대한 유효한 사후 분석이란 무엇입니까?

3 회 반복 측정 ANOVA를 수행했습니다. 어떤 사후 분석이 유효합니까?

이것은 개체 내 반복 측정을 갖는 요소 중 하나를 가진 완전 균형 설계 (2x2x2)입니다. R에서 반복 측정 ANOVA에 대한 다변량 접근법을 알고 있지만, 첫 번째 본능은 간단한 aov () 스타일의 ANOVA로 진행하는 것입니다.

aov.repeated <- aov(DV ~ IV1 * IV2 * Time + Error(Subject/Time), data=data)

DV = 반응 변수

IV1 = 독립 변수 1 (2 수준, A 또는 B)

IV2 = 독립 변수 2 (2 단계, 예 또는 아니오)

IV3 = 시간 (2 단계, 이전 또는 이후)

피험자 = 피험자 ID (총 피험자 40 명, 각 IV1 수준에 대해 20 명 : nA = 20, nB = 20)

summary(aov.repeated)

    Error: Subject
          Df Sum Sq Mean Sq F value   Pr(>F)   
IV1       1   5969  5968.5  4.1302 0.049553 * 
IV2       1   3445  3445.3  2.3842 0.131318   
IV1:IV2   1  11400 11400.3  7.8890 0.007987 **
Residuals 36  52023  1445.1                    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

Error: Subject:Time
               Df Sum Sq Mean Sq F value   Pr(>F)   
Time            1    149   148.5  0.1489 0.701906   
IV1:Time        1    865   864.6  0.8666 0.358103   
IV2:Time        1  10013 10012.8 10.0357 0.003125 **
IV1:IV2:Time    1    852   851.5  0.8535 0.361728   
Residuals      36  35918   997.7                    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

또는 lme 스타일 ANOVA에 nlme 패키지를 사용하려고 생각했습니다.

aov.repeated2 <- lme(DV ~ IV1 * IV2 * Time, random = ~1|Subject/Time, data=data)
summary(aov.repeated2)

Fixed effects: DV ~ IV1 * IV2 * Time 
                                Value Std.Error DF   t-value p-value
(Intercept)                      99.2  11.05173 36  8.975972  0.0000
IV1                              19.7  15.62950 36  1.260437  0.2156
IV2                              65.9  15.62950 36  4.216385  0.0002 ***
Time                             38.2  14.12603 36  2.704228  0.0104 *
IV1:IV2                         -60.8  22.10346 36 -2.750701  0.0092 **
IV1:Time                        -26.2  19.97722 36 -1.311494  0.1980
IV2:Time                        -57.8  19.97722 36 -2.893295  0.0064 **
IV1:IV2:Time                     26.1  28.25206 36  0.923826  0.3617

multcomp 패키지의 glht ()를 사용하여 Tukey와의 중요한 양방향 상호 작용에 대한 첫 번째 본능적 인 포스트-포스트 :

data$IV1IV2int <- interaction(data$IV1, data$IV2)
data$IV2Timeint <- interaction(data$IV2, data$Time)

aov.IV1IV2int <- lme(DV ~ IV1IV2int, random = ~1|Subject/Time, data=data)
aov.IV2Timeint <- lme(DV ~ IV2Timeint, random = ~1|Subject/Time, data=data)

IV1IV2int.posthoc <- summary(glht(aov.IV1IV2int, linfct = mcp(IV1IV2int = "Tukey")))
IV2Timeint.posthoc <- summary(glht(aov.IV2Timeint, linfct = mcp(IV2Timeint = "Tukey")))

IV1IV2int.posthoc
#A.Yes - B.Yes == 0        0.94684   
#B.No - B.Yes == 0         0.01095 * 
#A.No - B.Yes == 0         0.98587    I don't care about this
#B.No - A.Yes == 0         0.05574 .  I don't care about this
#A.No - A.Yes == 0         0.80785   
#A.No - B.No == 0          0.00346 **

IV2Timeint.posthoc 
#No.After - Yes.After == 0           0.0142 *
#Yes.Before - Yes.After == 0         0.0558 .
#No.Before - Yes.After == 0          0.5358   I don't care about this
#Yes.Before - No.After == 0          0.8144   I don't care about this
#No.Before - No.After == 0           0.1941  
#No.Before - Yes.Before == 0         0.8616

이러한 사후 분석에서 볼 수있는 주요 문제는 내 가설에 유용하지 않은 비교입니다.

적절한 사후 분석에 대한 제안은 대단히 감사합니다.

편집 : 수동 대비 행렬 테스트를 가리키는 관련 질문 및 답변

통계 학자들은 데이터를 보는 것이 보는 것에 영향을 줄 수 있고 중요한 결과를 찾기 위해 편견을 잃을 수 있기 때문에 사후 분석에는 항상 문제가 있다고 말할 것입니다. 임상 시험 연구에서 FDA는 통계 계획이 프로토콜에서 완전히 철자를 요구합니다. 선형 모델에서는 ANOVA 또는 ANCOVA가 전체 차이를 발견하는 경우에보고자하는 대비를 미리 지정할 수 있습니다. 이러한 사전 지정된 대조는 다중성에 대한 일반적인 치료가 그것의 일부인 한보기에는 좋을 것입니다.

SAS와 같은 소프트웨어 패키지가있는 경우 proc mixed를 사용하여 반복 측정 혼합 모델을 수행 할 수 있으며 SAS를 사용할 대비를 지정하면 SAS가 적절하게 처리 할 수 ​​있습니다. PROC GLM에서 반복 옵션을 사용하여 수행 할 수도 있지만 다르게 동작하고 다른 가정을하기 때문에주의해야합니다. 반복되는 관측치는 일반적으로 공통점이 있기 때문에 다시 구현됩니다. 나는 종종 다른 시점에서 같은 환자에 대해 측정을 반복했습니다. 따라서 대비를 계산할 때 공분산 항이 문제를 일으 킵니다.