进行线性混合模型分析后，如何隔离成对差异？

如何解决进行线性混合模型分析后，如何隔离成对差异？

我收集了数据，研究了三个饮食治疗组在三个时间点对蛋白质合成的影响。由于缺少数据，我选择对数据进行线性混合模型分析，而不是双向重复测量方差分析。具体来说，我在Mac计算机[x86_64-apple-darwin17.0（64位）]上使用R（版本4.0.2）中的“ nlme”软件包。

我对研究饮食（组）和时间点（阶段）之间因变量（在我的情况下为分数合成速率，fsr）之间的相互作用特别感兴趣。因此，我运行了以下代码行：

model5 <- lme(fsr~group + phase + group*phase,data=data,random=~1|subID,na.action=na.omit,method="ML")

并获得以下输出（为简洁起见被截断）：

Linear mixed-effects model fit by maximum likelihood
 Data: data 
        AIC       BIC   logLik
  -26.46228 -3.424489 24.23114

Random effects:
 Formula: ~1 | subID
        (Intercept)  Residual
StdDev:   0.1827453 0.1092466

Fixed effects: fsr ~ group + phase + group * phase 
                    Value  Std.Error DF   t-value p-value
(Intercept)     1.3264977 0.08164724 32 16.246694  0.0000
groupSM         0.0109315 0.12426358 19  0.087970  0.9308
groupWM         0.0763769 0.11951932 19  0.639034  0.5304
phase2          0.1161971 0.06281472 32  1.849838  0.0736
phase3          0.3330094 0.06281472 32  5.301454  0.0000
groupSM:phase2  0.0350255 0.09878970 32  0.354546  0.7253
groupWM:phase2  0.0151018 0.09183417 32  0.164447  0.8704
groupSM:phase3 -0.0940546 0.09546707 32 -0.985205  0.3319
groupWM:phase3 -0.0371642 0.08920422 32 -0.416620  0.6797

然后，我使用以下方法查看固定效果的III类测试：

anova.lme(model5,type="marginal",adjustSigma = F)

我得到以下输出：

              numDF denDF   F-value p-value
(Intercept)     1    32 310.53538  <.0001
group           2    19   0.26934  0.7667
phase           2    32  16.97659  <.0001
group:phase     4    32   0.62842  0.6457

因此，组与阶段之间没有显着的交互作用，但是阶段具有主要作用。

我的问题：我该如何具体查看哪些阶段不同？我的研究中有三个时间点，所以我想看看成对比较（1 v 2，1 v 3 ，2 v 3）看看哪里有效果。这是我尝试过的：

tukey_mod5<- summary(glht(model5,linfct=mcp(phase="Tukey")))

...给我以下输出：

Simultaneous Tests for General Linear Hypotheses
Multiple Comparisons of Means: Tukey Contrasts
Fit: lme.formula(fixed = fsr ~ group + phase + group * phase,data = data,random = ~1 | subID,method = "ML",na.action = na.omit)
Linear Hypotheses:
           Estimate Std. Error z value Pr(>|z|)    
2 - 1 == 0  0.11620    0.05791   2.006    0.111    
3 - 1 == 0  0.33301    0.05791   5.750   <0.001 ***
3 - 2 == 0  0.21681    0.05839   3.713   <0.001 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Adjusted p values reported -- single-step method)

这看起来像是一种合乎逻辑（即正确）的方法吗？我承认我是混合模型的新手，可能做错了。如果是这样，我将为您提供正确的指导！