对于三向重复测量方差分析，什么是有效的事后分析？

我已经执行了三向重复测量方差分析；事后分析有效吗？

这是一个完全平衡的设计（2x2x2），其中一个因素具有重复进行内部测量的功能。我知道R中重复测量ANOVA的多变量方法，但是我的第一个直觉是继续进行ANOVA的简单aov（）风格：

aov.repeated <- aov(DV ~ IV1 * IV2 * Time + Error(Subject/Time), data=data)

DV =响应变量

IV1 =自变量1（2个级别，A或B）

IV2 =自变量2（2个级别，是或否）

IV3 =时间（2级，之前或之后）

主题=主题ID（总共40个主题，每个IV1级别20个：nA = 20，nB = 20）

summary(aov.repeated)

    Error: Subject
          Df Sum Sq Mean Sq F value   Pr(>F)   
IV1       1   5969  5968.5  4.1302 0.049553 * 
IV2       1   3445  3445.3  2.3842 0.131318   
IV1:IV2   1  11400 11400.3  7.8890 0.007987 **
Residuals 36  52023  1445.1                    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

Error: Subject:Time
               Df Sum Sq Mean Sq F value   Pr(>F)   
Time            1    149   148.5  0.1489 0.701906   
IV1:Time        1    865   864.6  0.8666 0.358103   
IV2:Time        1  10013 10012.8 10.0357 0.003125 **
IV1:IV2:Time    1    852   851.5  0.8535 0.361728   
Residuals      36  35918   997.7                    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

另外，我正在考虑将nlme包用于lme样式方差分析：

aov.repeated2 <- lme(DV ~ IV1 * IV2 * Time, random = ~1|Subject/Time, data=data)
summary(aov.repeated2)

Fixed effects: DV ~ IV1 * IV2 * Time 
                                Value Std.Error DF   t-value p-value
(Intercept)                      99.2  11.05173 36  8.975972  0.0000
IV1                              19.7  15.62950 36  1.260437  0.2156
IV2                              65.9  15.62950 36  4.216385  0.0002 ***
Time                             38.2  14.12603 36  2.704228  0.0104 *
IV1:IV2                         -60.8  22.10346 36 -2.750701  0.0092 **
IV1:Time                        -26.2  19.97722 36 -1.311494  0.1980
IV2:Time                        -57.8  19.97722 36 -2.893295  0.0064 **
IV1:IV2:Time                     26.1  28.25206 36  0.923826  0.3617

我的第一本能与Tukey进行显着2向交互的事后方法是使用multcomp包中的glht（）进行对比：

data$IV1IV2int <- interaction(data$IV1, data$IV2)
data$IV2Timeint <- interaction(data$IV2, data$Time)

aov.IV1IV2int <- lme(DV ~ IV1IV2int, random = ~1|Subject/Time, data=data)
aov.IV2Timeint <- lme(DV ~ IV2Timeint, random = ~1|Subject/Time, data=data)

IV1IV2int.posthoc <- summary(glht(aov.IV1IV2int, linfct = mcp(IV1IV2int = "Tukey")))
IV2Timeint.posthoc <- summary(glht(aov.IV2Timeint, linfct = mcp(IV2Timeint = "Tukey")))

IV1IV2int.posthoc
#A.Yes - B.Yes == 0        0.94684   
#B.No - B.Yes == 0         0.01095 * 
#A.No - B.Yes == 0         0.98587    I don't care about this
#B.No - A.Yes == 0         0.05574 .  I don't care about this
#A.No - A.Yes == 0         0.80785   
#A.No - B.No == 0          0.00346 **

IV2Timeint.posthoc 
#No.After - Yes.After == 0           0.0142 *
#Yes.Before - Yes.After == 0         0.0558 .
#No.Before - Yes.After == 0          0.5358   I don't care about this
#Yes.Before - No.After == 0          0.8144   I don't care about this
#No.Before - No.After == 0           0.1941  
#No.Before - Yes.Before == 0         0.8616

通过这些事后分析，我看到的主要问题是一些比较对我的假设没有用。

非常感谢任何有关事后分析的建议。

编辑： 指向测试手动对比矩阵的相关问答

我认为统计学家会告诉您，事后分析总是存在问题，因为看到数据可能会影响您的观察结果，并且由于您正在寻找重要的结果而可能会产生偏见。FDA在临床试验研究中要求在方案中完全阐明统计计划。在线性模型中，如果ANOVA或ANCOVA发现整体差异，您当然可以预先指定要查看的对比度。只要可以对多重性进行常规处理，就可以很好地观察到这种预先确定的对比。

如果您有SAS之类的软件包，则可能会使用proc hybrid做重复测量混合模型，并且如果您指定要使用SAS的对比将为您正确处理。您也可以使用PROC GLM中的重复选项来做到这一点，但要小心，因为它们的行为不同且做出不同的假设。重复的观察通常是正确的，因为它们有共同点。我经常在不同的时间点对同一位患者进行重复测量。因此，在计算对比度时，协方差项会引起问题。