Що таке дійсний спеціальний аналіз для триразових повторних заходів ANOVA?

Я виконав триразові повторні заходи ANOVA; які пост-спеціальні аналізи справедливі?

Це повністю збалансована конструкція (2х2х2) з одним із факторів, що мають внутрішню тематику повторного вимірювання. Мені відомі багатоваріантні підходи до повторних заходів ANOVA в R, але мій перший інстинкт - це приступити до простого стилю aov () ANOVA:

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

DV = змінна відповідь

IV1 = незалежна змінна 1 (2 рівня, A або B)

IV2 = незалежна змінна 2 (2 рівні, так чи ні)

IV3 = Час (2 рівні, до або після)

Тема = Ідентифікатор предмета (40 об'єктів, 20 для кожного рівня IV1: 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 

Крім того, я думав про використання пакету nlme для стилю lme ANOVA:

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

Мій перший інстинкт після значних двосторонніх взаємодій з Tukey контрастами, використовуючи glht () з мультикомплектного пакету:

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

Основна проблема, яку я бачу в цих спеціальних аналізах, - це деякі порівняння, які не корисні для моїх гіпотез.

Будь-які вдячності для будь-яких пропозицій щодо відповідного спеціального аналізу.

Редагувати: відповідне запитання та відповідь, які спрямовані на тестування ручних контрастних матриць

Я думаю, що статистики скажуть вам, що завжди існує проблема з будь-яким пост-спеціальним аналізом, оскільки перегляд даних може вплинути на те, що ви дивитесь, і ви можете бути упередженими, оскільки ви полюєте на значні результати. FDA в клінічних дослідженнях вимагає, щоб статистичний план був повністю прописаний в протоколі. у лінійній моделі, безумовно, можна було б уточнити контрасти, на які ви хотіли б звернути увагу, якщо ANOVA або ANCOVA виявлять загальну різницю. На такі заздалегідь визначені контрасти було б чудово розглянути, якщо звичайне лікування множинності також є частиною цього.

Якщо у вас є програмний пакет на зразок SAS, ви, ймовірно, використовуєте proc змішаний, щоб зробити змішану модель повторних заходів, і якщо ви вкажете, який контраст ви хочете використовувати, SAS буде правильно його обробляти. Ви також можете це зробити з повторним варіантом в PROC GLM, але будьте обережні, оскільки вони поводяться по-різному і роблять різні припущення. Повторні спостереження зазвичай корелюються, оскільки вони мають щось спільне. Я часто повторюю заходи щодо одного і того ж пацієнта в різні моменти часу. Тож при обчисленні контрастів терміни коваріації вступають у проблему.