Esto puede parecer un poco de autopromoción (y supongo que lo es). Pero desarrollé un paquete lsmeans para R (disponible en CRAN) que está diseñado para manejar exactamente este tipo de situación. Así es como funciona para su ejemplo:
> sample.data <- data.frame(IV=rep(1:4,each=20),DV=rep(c(-3,-3,1,3),each=20)+rnorm(80))
> sample.aov <- aov(DV ~ factor(IV), data = sample.data)
> library("lsmeans")
> (sample.lsm <- lsmeans(sample.aov, "IV"))
IV lsmean SE df lower.CL upper.CL
1 -3.009669 0.2237448 76 -3.4552957 -2.564043
2 -3.046072 0.2237448 76 -3.4916980 -2.600445
3 1.147080 0.2237448 76 0.7014539 1.592707
4 3.049153 0.2237448 76 2.6035264 3.494779
> contrast(sample.lsm, list(mycon = c(-3,-1,1,3)))
contrast estimate SE df t.ratio p.value
mycon 22.36962 1.000617 76 22.356 <.0001
Si lo desea, puede especificar contrastes adicionales en la lista. Para este ejemplo, obtendrá los mismos resultados con el contraste polinómico lineal incorporado:
> con <- contrast(sample.lsm, "poly")
> con
contrast estimate SE df t.ratio p.value
linear 22.369618 1.0006172 76 22.356 <.0001
quadratic 1.938475 0.4474896 76 4.332 <.0001
cubic -6.520633 1.0006172 76 -6.517 <.0001
Para confirmar esto, tenga en cuenta que la "poly"
especificación lo dirige a llamar poly.lsmc
, lo que produce estos resultados:
> poly.lsmc(1:4)
linear quadratic cubic
1 -3 1 -1
2 -1 -1 3
3 1 -1 -3
4 3 1 1
Si desea hacer una prueba conjunta de varios contrastes, use la test
función con joint = TRUE
. Por ejemplo,
> test(con, joint = TRUE)
Esto producirá una prueba de "tipo III". A diferencia car::Anova()
, lo hará correctamente independientemente de la codificación de contraste utilizada en la etapa de ajuste del modelo. Esto se debe a que las funciones lineales que se prueban se especifican directamente en lugar de implícitamente a través de la reducción del modelo. Una característica adicional es que se detecta un caso en el que los contrastes que se prueban dependen linealmente y se produce la estadística de prueba correcta y los grados de libertad.