lmer模型使用哪种多重比较方法：lsmeans或glht？

我正在使用具有一个固定效果（条件）和两个随机效果（由于主题设计和配对而导致的参与者）的混合效果模型分析数据集。该模型是使用lme4包生成的exp.model<-lmer(outcome~condition+(1|participant)+(1|pair),data=exp)。

接下来，我针对没有固定效果（条件）的模型对该模型进行了似然比检验，结果有显着差异。我的数据集中有3个条件，因此我想进行多重比较，但不确定使用哪种方法。我在CrossValidated和其他论坛上发现了许多类似的问题，但我仍然很困惑。

据我所见，人们建议使用

1.该lsmeans包- lsmeans(exp.model,pairwise~condition)这给了我下面的输出：

condition     lsmean         SE    df  lower.CL  upper.CL
 Condition1 0.6538060 0.03272705 47.98 0.5880030 0.7196089
 Condition2 0.7027413 0.03272705 47.98 0.6369384 0.7685443
 Condition3 0.7580522 0.03272705 47.98 0.6922493 0.8238552

Confidence level used: 0.95 

$contrasts
 contrast                   estimate         SE    df t.ratio p.value
 Condition1 - Condition2 -0.04893538 0.03813262 62.07  -1.283  0.4099
 Condition1 - Condition3 -0.10424628 0.03813262 62.07  -2.734  0.0219
 Condition2 - Condition3 -0.05531090 0.03813262 62.07  -1.450  0.3217

P value adjustment: tukey method for comparing a family of 3 estimates 

2.该multcomp包以两种不同方式-使用mcp glht(exp.model,mcp(condition="Tukey"))导致

     Simultaneous Tests for General Linear Hypotheses

Multiple Comparisons of Means: Tukey Contrasts


Fit: lmer(formula = outcome ~ condition + (1 | participant) + (1 | pair), 
    data = exp, REML = FALSE)

Linear Hypotheses:
                             Estimate Std. Error z value Pr(>|z|)  
Condition2 - Condition1 == 0  0.04894    0.03749   1.305    0.392  
Condition3 - Condition1 == 0  0.10425    0.03749   2.781    0.015 *
Condition3 - Condition2 == 0  0.05531    0.03749   1.475    0.303  
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Adjusted p values reported -- single-step method)

并使用lsm glht(exp.model,lsm(pairwise~condition))导致

Note: df set to 62

     Simultaneous Tests for General Linear Hypotheses

Fit: lmer(formula = outcome ~ condition + (1 | participant) + (1 | pair), 
    data = exp, REML = FALSE)

Linear Hypotheses:
                             Estimate Std. Error t value Pr(>|t|)  
Condition1 - Condition2 == 0 -0.04894    0.03749  -1.305   0.3977  
Condition1 - Condition3 == 0 -0.10425    0.03749  -2.781   0.0195 *
Condition2 - Condition3 == 0 -0.05531    0.03749  -1.475   0.3098  
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Adjusted p values reported -- single-step method)

如您所见，这些方法给出了不同的结果。这是我第一次使用R和统计信息，因此可能出了一些问题，但我不知道在哪里。我的问题是：

所介绍的方法之间有什么区别？我在回答有关一个相关问题的答案时说，这是关于自由度（lsmeansvs. glht）的。 是否有一些规则或建议何时使用哪种规则，即方法1是否适合这种类型的数据集/模型等？ 我应该报告哪个结果？在不知道更好的情况下，我可能只会报告最高的p值，因此我必须谨慎行事，但有更好的理由会很好。谢谢

没有完整的答案...

glht(myfit, mcp(myfactor="Tukey"))与其他两种方法的区别在于，这种方法使用“ z”统计量（正态分布），而其他方法使用“ t”统计量（学生分布）。“ z”统计量与具有无限自由度的“ t”统计量相同。该方法是一种渐近方法，与其他方法相比，它提供较小的p值和较短的置信区间。如果数据集较小，则p值可能会太小，置信区间可能会太短。

当我运行时lsmeans(myfit, pairwise~myfactor)，出现以下消息：

Loading required namespace: pbkrtest

这意味着lsmeans（对于lmer模型）使用pbkrtest针对“ t”统计量的自由度实施Kenward＆Rogers方法的软件包。此方法旨在提供比渐近方法更好的p值和置信区间（自由度大时没有区别）。

现在，有关的区别lsmeans(myfit, pairwise~myfactor)$contrasts和glht(myfit, lsm(pairwise~factor)，刚才我做了一些测试，我的意见是以下的：

• lsm是lsmeans程序包和multcomp程序包之间的接口（请参阅参考资料?lsm）

• 对于平衡的设计，结果之间没有区别

• 对于不平衡的设计，我观察到结果之间的细微差异（标准误差和t比率）

不幸的是，我不知道这些差异的原因是什么。看起来仅是为了获得线性假设矩阵和自由度而进行的lsm调用lsmeans，但是lsmeans使用了一种不同的方法来计算标准误差。