如何解决对 glmer 数据的事后测试
我正在对我的数据运行 GLM 模型，该模型似乎运行良好（数据不是正态分布的），并且希望进行一些事后测试。我看过很多关于 ANOVA 的例子，但没有一个我可以遵循的 GLM 输出。
这是数据。我想看看治疗是否会影响植物的疾病症状。每个处理有 6 个生物代表，也就是每个实验的植物，每个处理总共有 3 个实验 (18)。对于每株植物，我计算每平方毫米装载的孢子数（密度），这些孢子中有多少会发芽并形成 APP（Apresoria），以及其中有多少能够成功感染植物 SH（次生菌丝）。请注意，对 APP 或 SH 进行计数。如果每个细菌的 %SH (APP+SH) 低于 -ve 无治疗对照 (PTOZ,MLOS)，则表明治疗减少了感染。 MLO_1_ECPY 是一种已知可减少感染和 %SH 的 +ve 控制。
Treatment Exp Density Conidia App SH Germ
1 MLO_1_ECPY 7 67 39 307 60 367
2 MLO_1_ECPY 7 67 19 350 16 366
3 MLO_1_ECPY 7 67 27 334 23 357
4 MLO_1_ECPY 7 67 28 351 21 372
5 MLO_1_ECPY 7 67 34 339 25 364
6 MLO_1_ECPY 7 67 23 326 33 359
7 MLO_1_ECPY 8 18 48 308 14 322
8 MLO_1_ECPY 8 18 33 313 13 326
9 MLO_1_ECPY 8 18 47 307 11 318
10 MLO_1_ECPY 8 18 20 307 15 322
11 MLO_1_ECPY 8 18 38 311 12 323
12 MLO_1_ECPY 8 18 35 330 15 345
13 MLO_1_ECPY 9 72 36 317 10 327
14 MLO_1_ECPY 9 72 56 326 3 329
15 MLO_1_ECPY 9 72 35 320 9 329
16 MLO_1_ECPY 9 72 51 329 10 339
17 MLO_1_ECPY 9 72 47 326 6 332
18 MLO_1_ECPY 9 72 79 325 6 331
19 MLOs_1_ECPY 10 57 229 260 40 300
20 MLOs_1_ECPY 10 57 164 308 45 353
21 MLOs_1_ECPY 10 57 67 320 29 349
22 MLOs_1_ECPY 10 57 62 336 60 396
23 MLOs_1_ECPY 10 57 101 309 62 371
24 MLOs_1_ECPY 10 57 82 330 75 405
25 MLOs_1_ECPY 11 60 66 328 40 368
26 MLOs_1_ECPY 11 60 50 323 56 379
27 MLOs_1_ECPY 11 60 39 320 41 361
28 MLOs_1_ECPY 11 60 83 300 42 342
29 MLOs_1_ECPY 11 60 37 315 42 357
30 MLOs_1_ECPY 11 60 44 208 43 251
31 MLOs_1_ECPY 12 47 68 333 62 395
32 MLOs_1_ECPY 12 47 61 310 66 376
33 MLOs_1_ECPY 12 47 38 258 35 293
34 MLOs_1_ECPY 12 47 68 339 44 383
35 MLOs_1_ECPY 12 47 31 324 26 350
36 MLOs_1_ECPY 12 47 42 319 47 366
37 NOD_1_ECPY 7 67 28 331 23 354
38 NOD_1_ECPY 7 67 38 328 23 351
39 NOD_1_ECPY 7 67 23 326 49 375
40 NOD_1_ECPY 7 67 29 322 4 326
41 NOD_1_ECPY 7 67 30 333 8 341
42 NOD_1_ECPY 7 67 20 327 20 347
43 NOD_1_ECPY 8 18 27 313 15 328
44 NOD_1_ECPY 8 18 28 322 21 343
45 NOD_1_ECPY 8 18 27 315 40 355
46 NOD_1_ECPY 8 18 43 320 11 331
47 NOD_1_ECPY 8 18 23 306 18 324
48 NOD_1_ECPY 8 18 49 312 9 321
49 NOD_1_ECPY 9 72 66 333 9 342
50 NOD_1_ECPY 9 72 81 343 10 353
51 NOD_1_ECPY 9 72 42 306 35 341
52 NOD_1_ECPY 9 72 23 313 13 326
53 NOD_1_ECPY 9 72 76 340 10 350
54 NOD_1_ECPY 9 72 87 246 104 350
55 NOD_2_ECPY 7 67 26 335 14 349
56 NOD_2_ECPY 7 67 27 335 27 362
57 NOD_2_ECPY 7 67 54 328 10 338
58 NOD_2_ECPY 7 67 39 311 5 316
59 NOD_2_ECPY 7 67 56 309 15 324
60 NOD_2_ECPY 7 67 38 306 11 317
61 NOD_2_ECPY 8 18 31 305 15 320
62 NOD_2_ECPY 8 18 19 317 12 329
63 NOD_2_ECPY 8 18 19 300 20 320
64 NOD_2_ECPY 8 18 45 315 6 321
65 NOD_2_ECPY 8 18 26 333 16 349
66 NOD_2_ECPY 8 18 40 338 25 363
67 NOD_2_ECPY 9 72 58 338 20 358
68 NOD_2_ECPY 9 72 70 229 5 234
69 NOD_2_ECPY 9 72 53 321 11 332
70 NOD_2_ECPY 9 72 54 347 12 359
71 NOD_2_ECPY 9 72 57 333 21 354
72 NOD_2_ECPY 9 72 35 320 10 330
73 PTOZ_1_ECPY 7 63 40 321 64 385
74 PTOZ_1_ECPY 7 63 64 288 72 360
75 PTOZ_1_ECPY 7 63 75 289 99 388
76 PTOZ_1_ECPY 7 63 29 333 41 374
77 PTOZ_1_ECPY 7 63 51 300 91 391
78 PTOZ_1_ECPY 7 63 55 318 55 373
79 PTOZ_1_ECPY 8 18 26 298 61 359
80 PTOZ_1_ECPY 8 18 27 313 71 384
81 PTOZ_1_ECPY 8 18 32 308 31 339
82 PTOZ_1_ECPY 8 18 39 310 78 388
83 PTOZ_1_ECPY 8 18 49 307 76 383
84 PTOZ_1_ECPY 8 18 55 305 73 378
85 PTOZ_1_ECPY 9 72 77 306 32 338
86 PTOZ_1_ECPY 9 72 88 312 26 338
87 PTOZ_1_ECPY 9 72 99 323 49 372
88 PTOZ_1_ECPY 9 72 65 314 30 344
89 PTOZ_1_ECPY 9 72 66 312 40 352
90 PTOZ_1_ECPY 9 72 49 311 37 348
我从另一个博士生那里收到的代码是
library("lme4",lib.loc="~/R/win-library/3.5")
propSH<-cbind(NMM_SH$SH,NMM_SH$Germ)
我的理解是这是为了计算 SH 的比例，但我知道有些用户强烈反对使用 bind 函数
NMM_SH_GLM<-glmer(propSH~NMM_SH$Treatment+NMM_SH$Density+(1|NMM_SH$Exp),data=NMM_SH,family=binomial,nAGQ=0)
> summary(NMM_SH_GLM)
Generalized linear mixed model fit by maximum likelihood (Adaptive Gauss-Hermite Quadrature,nAGQ = 0) ['glmerMod']
Family: binomial ( logit )
Formula: propSH ~ NMM_SH$Treatment + NMM_SH$Density + (1 | NMM_SH$Exp)
Data: NMM_SH
AIC BIC logLik deviance df.resid
972.1 989.6 -479.1 958.1 83
Scaled residuals:
Min 1Q Median 3Q Max
-4.2608 -1.3113 -0.5942 0.9541 16.5540
Random effects:
Groups Name Variance Std.Dev.
NMM_SH$Exp (Intercept) 0.01174 0.1084
Number of obs: 90,groups: NMM_SH$Exp,6
Fixed effects:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -2.944046 0.166355 -17.697 < 2e-16 ***
NMM_SH$TreatmentMLOs_1_ECPY 1.016374 0.112644 9.023 < 2e-16 ***
NMM_SH$TreatmentNOD_1_ECPY 0.338702 0.077553 4.367 1.26e-05 ***
NMM_SH$TreatmentNOD_2_ECPY -0.137418 0.087014 -1.579 0.114
NMM_SH$TreatmentPTOZ_1_ECPY 1.147965 0.068048 16.870 < 2e-16 ***
NMM_SH$Density -0.001570 0.002714 -0.579 0.563
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Correlation of Fixed Effects:
(Intr) NMM_SH$TM NMM_SH$TNOD_1 NMM_SH$TNOD_2 NMM_SH$TP
NMM_SH$TMLO -0.350
NMM_SH$TNOD_1 -0.272 0.399
NMM_SH$TNOD_2 -0.245 0.355 0.516
NMM_SH$TPTO -0.368 0.450 0.659 0.588
NMM_SH$Dnst -0.856 -0.053 0.002 0.005 0.070
这是我得到的；如果有人可以帮助我了解 Post-Hoc 测试（Tukey Games-Howell）所需的变量，我将不胜感激。这是我最后的手段哈哈！
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
