lsmeans

    0熱度

    2回答

    對於我的實驗,我剪下植物並在本季末測量它們的響應,如產生的葉片質量。我操縱剪輯強度和剪輯時間,並跨越這兩種處理。我還包括一個控制截斷治療導致5種不同的夾治療組合。每個處理有12個植物,總共有60個植物,我在兩年的時間裏跟蹤了這些植物。也就是說,我在第1年收集了這60個工廠的測量數據,並在第2年收集了相同的工廠。 這裏是我的設計,其中在定時下的「never」和強度下的「zero」任意替換「contr

    0熱度

    1回答

    我有一個glm,我想調整手段使用lsmeans。下面的代碼使得模型(和似乎是正確的練習): library(lmerTest) data$group <- as.factor(data$grp) data$site <- as.factor(data$site) data$stimulus <- as.factor(data$stimulus) data.acc1 = glmer(acc

    1熱度

    1回答

    我正在嘗試使用lsmeans及其對交互作用的F測試的對比。基本上,我想複製Stata用它的contrast命令做的事情。我想有兩個原因這樣做: 具有因子變量之間的相互作用迴歸模型中 ; 內的方差分析,以幫助分解三方互動。 對於這個問題,我會問一下關於三向交互的問題。 library(haven) threeway <- read_spss("https://stats.idre.ucla.edu

    0熱度

    1回答

    我試圖在原始響應變量的尺度上繪製泊松模型。我的顧問希望我繪製大黃蜂產蛋量的+/- SE平均值。 當使用「type =」response「」時,我不理解'SE'術語的含義。在線性預測器的規模上,CI和SE的均值是對稱的。當手動指數化數據幀時,配置項變得不對稱,並將匹配輸入的信息與「type =」響應「」匹配。但是,「SE」只有一列。爲什麼沒有2列,以解決從對數尺度轉換(平均值+/- SE)時的不對稱

    1熱度

    1回答

    lsmeans包中的lsmip()命令似乎將x軸上的連續預測器視爲分類預測器。 如果我以離散但不均勻的時間間隔(例如,當您從Oats數據中去除0.2級硝基)的連續預測值進行觀察,則lsmip無論如何均勻繪製它們。 data("Oats", package = "nlme") Oats.lmer2sub <- lmer(log(yield) ~ Variety + poly(nitro,2)

    1熱度

    1回答

    我使用lsmip從LSMEANS畫出我的模型, library(lsmeans) PhWs1 <- lsmip(GausNugget1, Photoperiod:Ws ~ Month, ylab = "Observed log(number of leaves)", xlab = "Month", main = "Interaction between Phot

    1熱度

    2回答

    我在理解最小二乘均值的行爲時遇到問題。以下是一個玩具示例,它使用隨機數據集來演示我的問題。該方案是這樣的:存在被1999年至2015年 # Number of observations in data set n.obs <- 1000 # Create dummy data set df.tst <- data.frame(density = runif(n.obs, 0, 1),

    1熱度

    2回答

    我對4個時間點的個體進行了縱向重複測量。按照固定效應和隨機斜率的時間混合模型分析,我已經使用平均值來估計每個時間點的平均值以及95%的置信區間。我現在想繪製帶有時間點(x)和結果變量(y)與CI的平均值的線圖。我可以使用例如ggplot來繪製我從lsmeans得到的結果?還是有另一種巧妙的方式來繪製這個? ,我從LSMEANS得到,而我想積(lsmean,lower.CL,upperCL隨着時間的

    0熱度

    1回答

    我想加載lsmeans庫。 得到這個消息:爲LSMEANS 庫(LSMEANS)# 加載所需包:estimability 我再裝 install.packages( 「estimability」) 但即使完成後,當我運行這個庫時,我得到了相同的消息。 庫(LSMEANS)#爲LSMEANS 加載所需包:estimability 任何想法? 謝謝

    0熱度

    1回答

    我正在使用用lsmeans提供的oranges數據。 library(lsmeans) oranges.rg1<-lm(sales1 ~ price1 + price2 + day + store, data = oranges) days.lsm <- lsmeans(oranges.rg1, "day") days_contr.lsm <- contrast(days.lsm, "trt