如何解释 R 中的 TukeyHSD 输出？ （关于基础回归模型）
How do I interpret the TukeyHSD output in R? (in relation to the underlying regression model)
我建立了一个简单的线性回归模型，其中 'Score' 作为因变量，'Activity' 作为自变量。 'Activity'有5个级别：'listen'（参考级别）、'read1'、'read2'、'watch1'、'watch2'。
Call:
lm(formula = Score ~ Activity)
Residuals:
Min 1Q Median 3Q Max
-22.6154 -8.6154 -0.6154 7.1346 31.3846
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 41.615 2.553 16.302 <2e-16 ***
Activityread1 6.385 7.937 0.804 0.4254
Activityread2 20.885 9.552 2.186 0.0340 *
Activitywatch1 3.885 4.315 0.900 0.3728
Activitywatch2 -11.415 6.357 -1.796 0.0792 .
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 13.02 on 45 degrees of freedom
Multiple R-squared: 0.1901, Adjusted R-squared: 0.1181
F-statistic: 2.64 on 4 and 45 DF, p-value: 0.04594
为了获得所有成对比较，我执行了 TukeyHSD 测试，我很难解释其输出。虽然模型的输出显示我们唯一的显着影响是由于 'listen' 和 'read2' 之间的对比，但 TukeyHSD 结果表明 'watch2' 和 'watch2' 之间存在唯一显着的对比=27=]。这是什么意思？
> TukeyHSD(aov(mod4), "Activity")
Tukey multiple comparisons of means
95% family-wise confidence level
Fit: aov(formula = mod4)
$Activity
diff lwr upr p adj
read1-listen 6.384615 -16.168371 28.937602 0.9279144
read2-listen 20.884615 -6.256626 48.025857 0.2034549
watch1-listen 3.884615 -8.376548 16.145779 0.8952957
watch2-listen -11.415385 -29.477206 6.646437 0.3885969
read2-read1 14.500000 -19.264610 48.264610 0.7397464
watch1-read1 -2.500000 -26.031639 21.031639 0.9981234
watch2-read1 -17.800000 -44.811688 9.211688 0.3466391
watch1-read2 -17.000000 -44.959754 10.959754 0.4278714
watch2-read2 -32.300000 -63.245777 -1.354223 0.0368820
watch2-watch1 -15.300000 -34.569930 3.969930 0.1783961
在您的初始模型摘要中，Estimate 显示了每个组相对于 "listen" 组 (40.615) 的平均值的估计差异。当仅计算这 4 个比较时，"read2" 组与 "listen" 组的偏移量最大 (+20.885) 被称为显着 p = .0340。
由于 TUKEYHSD 正在对组均值执行所有成对比较（不再只是参考水平 "listen"），它还会执行 p 值调整以说明所有这些额外测试.原因是，如果您对随机数据进行 20 次比较，您会期望一次（1/20 或 .05）被称为具有 p < .05 的显着性，仅仅是因为进行了那么多测试。考虑到 p 值调整后，"listen - read2" 之间最初的显着比较不再具有显着性。
但是 "watch2 - read2" (-32.3) 之间的较大差异未在原始模型摘要中进行测试，即使在完成所有额外的比较调整。
希望对您有所帮助，您可以阅读有关多重比较问题的更多信息here
.并查看 ?p.adjust 以了解 R 对最流行方法的实现。
我建立了一个简单的线性回归模型，其中 'Score' 作为因变量，'Activity' 作为自变量。 'Activity'有5个级别：'listen'（参考级别）、'read1'、'read2'、'watch1'、'watch2'。
Call:
lm(formula = Score ~ Activity)
Residuals:
Min 1Q Median 3Q Max
-22.6154 -8.6154 -0.6154 7.1346 31.3846
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 41.615 2.553 16.302 <2e-16 ***
Activityread1 6.385 7.937 0.804 0.4254
Activityread2 20.885 9.552 2.186 0.0340 *
Activitywatch1 3.885 4.315 0.900 0.3728
Activitywatch2 -11.415 6.357 -1.796 0.0792 .
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 13.02 on 45 degrees of freedom
Multiple R-squared: 0.1901, Adjusted R-squared: 0.1181
F-statistic: 2.64 on 4 and 45 DF, p-value: 0.04594
为了获得所有成对比较，我执行了 TukeyHSD 测试，我很难解释其输出。虽然模型的输出显示我们唯一的显着影响是由于 'listen' 和 'read2' 之间的对比，但 TukeyHSD 结果表明 'watch2' 和 'watch2' 之间存在唯一显着的对比=27=]。这是什么意思？
> TukeyHSD(aov(mod4), "Activity")
Tukey multiple comparisons of means
95% family-wise confidence level
Fit: aov(formula = mod4)
$Activity
diff lwr upr p adj
read1-listen 6.384615 -16.168371 28.937602 0.9279144
read2-listen 20.884615 -6.256626 48.025857 0.2034549
watch1-listen 3.884615 -8.376548 16.145779 0.8952957
watch2-listen -11.415385 -29.477206 6.646437 0.3885969
read2-read1 14.500000 -19.264610 48.264610 0.7397464
watch1-read1 -2.500000 -26.031639 21.031639 0.9981234
watch2-read1 -17.800000 -44.811688 9.211688 0.3466391
watch1-read2 -17.000000 -44.959754 10.959754 0.4278714
watch2-read2 -32.300000 -63.245777 -1.354223 0.0368820
watch2-watch1 -15.300000 -34.569930 3.969930 0.1783961
在您的初始模型摘要中，Estimate 显示了每个组相对于 "listen" 组 (40.615) 的平均值的估计差异。当仅计算这 4 个比较时，"read2" 组与 "listen" 组的偏移量最大 (+20.885) 被称为显着 p = .0340。
由于 TUKEYHSD 正在对组均值执行所有成对比较（不再只是参考水平 "listen"），它还会执行 p 值调整以说明所有这些额外测试.原因是，如果您对随机数据进行 20 次比较，您会期望一次（1/20 或 .05）被称为具有 p < .05 的显着性，仅仅是因为进行了那么多测试。考虑到 p 值调整后，"listen - read2" 之间最初的显着比较不再具有显着性。
但是 "watch2 - read2" (-32.3) 之间的较大差异未在原始模型摘要中进行测试，即使在完成所有额外的比较调整。
希望对您有所帮助，您可以阅读有关多重比较问题的更多信息here
.并查看 ?p.adjust 以了解 R 对最流行方法的实现。