通过协变量的相互作用比较回归线的斜率

Question

我发现了很多关于该主题的问题，但 none 与我的情况非常相似。这主要是一个一般统计方法问题，但非常感谢任何有关如何在 R 中处理此类数据的有用信息！

这是一项生物学研究，其中我有三个独立的突变，"A, B, and C," 我用它们来创建基因型。对于我的研究设计，我有一个因变量（距离）和一个自变量（负载）。我测量了以下基因型：

Genotypes:

Reference
A
B
C
A:B
A:C
B:C
A:B:C

即我的参考基因型中有 Distance given Load 的背景水平。我想要测试的是每个单独的突变（A、B 或 C）和组合突变（AB、AC、BC、ABC）对给定负载的距离的贡献。我的计划是测试不同基因型产生的回归斜率是否彼此显着不同。这将使我能够确定距离的损失是否是由于负载的附加增加，或者某些基因型在增加负载的情况下是否更快或更慢地丢失距离。

我不确定if/how我可以使用 ANCOVA 或混合效应模型来解决这个问题。

我有一个类似的方法，我可以看到距离如何因基因型而异。在该示例中，我的数据结构如下所示 (csv):

Genotype, Distance, A, B, C
Reference, 15, 0, 0, 0
Reference, 16, 0, 0, 0
A, 15, 1, 0, 0
A, 16, 1, 0, 0
B, 12, 0, 1, 0
B, 11, 0, 1, 0
C, 15, 0, 0, 1
C, 15, 0, 0, 1
AB, 3, 1, 1, 0
AB, 4, 1, 1, 0
AC, 13, 1, 0, 1
AC, 14, 1, 0, 1
BC, 8, 0, 1, 1
BC, 9, 0, 1, 1
ABC, 2, 1, 1, 1
ABC, 2, 1, 1, 1

我测量每个基因型的距离（重复），并使用数据矩阵来指示该基因型具有哪些突变：所以 A 有 1, 0, 0 表示它有 A，但没有 B，也没有 C； AB 有 1, 1, 0 表示它有 A 和 B，但没有 C。等等...

然后我使用：

 lm<-lm(Distance~A*B*C, data=data)
summary(lm)

测试每个突变对距离的贡献，并查看是否有任何交互项（例如 A:B）显着。这使用 A、B 和 C 作为连续变量（违反正态性，但它至少是一种方法）。

非常感谢任何人给我的帮助、见解或指导。应用这种 lm() 方法适用于一个因变量和基因型作为自变量，但是使用基因型（包括相互作用）作为第二个自变量的协变量是我在其他问题中没有看到的。

Answer 1

使用固定效应模型：

fit.null <- lm(Distance ~ A*B*C + Genotype)

fit.alt<- lm(Distance ~ A*B*C * Genotype)

并使用 aov(fit.alt, fit.null) 测试嵌套模型。

假设：足够的功效和同方差性：一个简单的技巧，交叉制表 freqs <- table(A, B, C, Genotype) 并检查 any(freqs) < 5。低精度意味着低功耗。

使用方差同质性检验的混合效应模拟lme4（也许用户@BenBolker 可以评论该模型的适用性）：

fit.null <- lmer(Distance ~ A*B*C + (1|Genotype))

fit.alt <- lmer(Distance ~ A*B*C + (A*B*C|Genotype))

您不能在此处测试嵌套模型，因为它是对方差分量的测试。像这样测试模型更像是 stats.stackexchange.com

的问题

通过协变量的相互作用比较回归线的斜率

Compare slopes of regression lines by interaction of covariates

regression

r

anova

lm

mixed-models