我有一个小数据，其中有3组(A，B，C)，每组5名参与者.所有这些参与者在7个不同的考试中每一次都被测量了6次，所以每个参与者总共得到了6*7=42分.建立了一个简单的线性混合模型.使用anova(mylmm)和多重比较函数，我可以获得ANOVA结果和分组、考试以及它们之间的交互的后组两两比较.
但是，数据非常小(只有5名参与者)，残差为mylmm是不正常的，因此效力不足.我知道稳健混合模型使用robustlmm，残差自举混合模型使用lmeresampler.然而，我无法使用这些方法进行方差分析和多重比较.有人能帮我回答以下问题吗？我真的很感激.
simr和ANOVA方法来计算测试小组、考试和lme模型对象的交互作用的能力.另外，simr是否也可以用来发现事后两两比较的力量，或者应该使用emmeans呢？谢谢从统计上看，这略有些深.基于重采样的推理有两种基本方法:
prob_lt_0 = mean(bootsamp<0); p_val = 2*min(prob_lt_0, 1-prob_lt_0).)事后比较稍微复杂一些，因为它们不仅涉及比较测试，还涉及某种多重比较校正(Tukey等).ParametricBootstrapping是一种方便的重采样方法，特别是如果我们有复杂的分组 struct (空间/时间或交叉随机效应)，这使得重采样独立组变得困难，或者如果我们正在判断GLMM，其中剩余Bootstrapping不起作用.然而，它假设模型是"正确的"，这在这里失败了，因为您不想依赖条件分布的正态分布.
library(lmerTest)
library(lmeresampler)
ss <- transform(sleepstudy, oddsub = factor((as.numeric(Subject) %% 2 == 1)))
fm1 <- lmer(Reaction ~ Days + oddsub + (Days | Subject), ss)
set.seed(101)
boot1 <- reb_bootstrap(fm1,
.f = fixef,
B = 1000,
reb_type = 2)
## not sure why reb_bootstrap seems to ignore the .f specification?
## but we get something useful anyway
confint(boot1, type = "perc")
## 1 beta1 253. 232. 273. perc 0.95
## 2 beta2 10.5 7.24 13.5 perc 0.95
## 3 beta3 -3.56 -32.3 26.0 perc 0.95
pval <- function(x) { plt0 <- mean(x<0); 2*min(plt0, 1-plt0) }
apply(boot1$replicates[,1:3], 2, pval)
## beta1 beta2 beta3
## 0.000 0.000 0.802
您可以进行置换测试，但您必须通过比较嵌套模型(例如，完整模型与没有Days效果的模型)，一次一个项目地进行测试:
library(predictmeans)
fm0 <- update(fm1, . ~ . - Days)
p1 <- permlmer(fm0, fm1)
Data: ss
Models:
lmer0: Reaction ~ oddsub + (Days | Subject)
lmer1: Reaction ~ Days + oddsub + (Days | Subject)
npar AIC BIC logLik deviance Chisq Df Pr(>Chisq) Perm-p
lmer0 6 1787.4 1806.6 -887.70 1775.4
lmer1 7 1765.9 1788.2 -875.94 1751.9 23.537 1 1.2256e-06 0.003
对于权力，我可能只会假设正态分布进行分析，然后将其视为略微乐观的估计；无论如何，权力分析总是猜测/近似.
另外，人们建议其他 Select (稳健的LMM、序数模型等)的部分原因是，这些都是一种麻烦.