Comment effectuer un test post-hoc sur le modèle lmer?

Voici ma trame de données:

Group   <- c("G1","G1","G1","G1","G1","G1","G1","G1","G1","G1","G1","G1","G1","G1","G1","G2","G2","G2","G2","G2","G2","G2","G2","G2","G2","G2","G2","G2","G2","G2","G3","G3","G3","G3","G3","G3","G3","G3","G3","G3","G3","G3","G3","G3","G3")
Subject <- c("S1","S2","S3","S4","S5","S6","S7","S8","S9","S10","S11","S12","S13","S14","S15","S1","S2","S3","S4","S5","S6","S7","S8","S9","S10","S11","S12","S13","S14","S15","S1","S2","S3","S4","S5","S6","S7","S8","S9","S10","S11","S12","S13","S14","S15")
Value   <- c(9.832217741,13.62390117,13.19671612,14.68552076,9.26683366,11.67886655,14.65083473,12.20969772,11.58494621,13.58474896,12.49053635,10.28208078,12.21945867,12.58276212,15.42648969,9.466436017,11.46582655,10.78725485,10.66159358,10.86701127,12.97863424,12.85276916,8.672953949,10.44587257,13.62135205,13.64038394,12.45778874,8.655142642,10.65925259,13.18336949,11.96595556,13.5552118,11.8337142,14.01763101,11.37502161,14.14801305,13.21640866,9.141392359,11.65848845,14.20350364,14.1829714,11.26202565,11.98431285,13.77216009,11.57303893)

data <- data.frame(Group, Subject, Value)

Ensuite, je lance un modèle d'effets mixtes linéaires pour comparer la différence des 3 groupes sur "Valeur", où "Sujet" est le facteur aléatoire:

library(lme4)
library(lmerTest)
model <- lmer (Value~Group + (1|Subject), data = data)
summary(model)

Les résultats sont:

Fixed effects:
            Estimate Std. Error       df t value Pr(>|t|)    
(Intercept) 12.48771    0.42892 31.54000  29.114   <2e-16 ***
GroupG2     -1.12666    0.46702 28.00000  -2.412   0.0226 *  
GroupG3      0.03828    0.46702 28.00000   0.082   0.9353    

Cependant, comment comparer Group2 avec Group3? Quelle est la convention dans l'article académique?

Vous pouvez utiliser emmeans::emmeans()ou lmerTest::difflsmeans(), ou multcomp::glht().

Je préfère emmeans(précédemment lsmeans).

library(emmeans)
emmeans(model, list(pairwise ~ Group), adjust = "tukey")

Remarque difflsmeansne peut pas corriger les comparaisons multiples et utilise la méthode Satterthwaite pour calculer les degrés de liberté par défaut au lieu de la méthode Kenward-Roger utilisée par emmeans.

library(lmerTest)
difflsmeans(model, test.effs = "Group")

La multcomp::glht()méthode est décrite dans l'autre réponse à cette question, par Hack-R.

En outre, vous pouvez obtenir les valeurs p de l'ANOVA en chargeant lmerTestpuis en utilisant anova.

library(lmerTest)
anova(model)

Juste pour être clair, vous vouliez que la valeur soit évaluée trois fois pour chaque sujet, non? Il semble que le groupe soit intra-sujets, pas entre sujets.

Une fois que vous avez ajusté votre lmermodèle, vous pouvez effectuer des procédures ANOVA, MANOVA et plusieurs comparaisons sur l'objet modèle, comme ceci:

library(multcomp)
summary(glht(model, linfct = mcp(Group = "Tukey")), test = adjusted("holm"))

   Simultaneous Tests for General Linear Hypotheses

Multiple Comparisons of Means: Tukey Contrasts


Fit: lmer(formula = Value ~ Group + (1 | Subject), data = data)

Linear Hypotheses:
             Estimate Std. Error z value Pr(>|z|)  
G2 - G1 == 0 -1.12666    0.46702  -2.412   0.0378 *
G3 - G1 == 0  0.03828    0.46702   0.082   0.9347  
G3 - G2 == 0  1.16495    0.46702   2.494   0.0378 *
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Adjusted p values reported -- holm method)

Quant à la convention dans les articles académiques, cela va beaucoup varier selon le domaine, la revue et le sujet spécifique. Donc, dans ce cas, passez en revue les articles connexes et voyez ce qu'ils font.