# load all libraries for this tutorial
library(car)
library(ggplot2)
library(afex)
library(effectsize)
library(psych)
library(apaTables)
library(jmv)
library(emmeans)

เราจะใช้การวิเคราะห์ความแปรปรวนแบบแฟกทอเรียลในกรณีที่มีปัจจัย (factor) ที่ต้องการศึกษาตั้งแต่สองปัจจัยขึ้นไป

Two-way ANOVA

การวิเคราะห์ความแปรปรวนสองทางใช้ในกรณีที่มีปัจจัยที่เป็นตัวแปรอิสระสองตัว ในตัวอย่างนี้เราจะใช้ชุดข้อมูล ToothGrowth ที่มีอยู่แล้วใน R

ชุดข้อมูลนี้มาจากการศึกษาความยาวของเซลล์ที่เกี่ยวข้องกับการเติบโตของฟันในหนูตะเภา ตัวแปรอิสระตัวแรกคือโดสของวิตามินซีที่ได้รับในแต่ละวัน (0.5, 1, และ 2 มิลลิกรัม/วัน) โดยมีตัวแปรอิสระตัวที่สองคือ แหล่งที่มาของวิตามิน ได้แก่ น้ำส้ม (OJ) หรือ กรดแอสคอร์บิกที่มีวิตามินซี (VC)

mydata <- ToothGrowth
mydata$id <- 1:nrow(mydata) #add id column
mydata
##     len supp dose id
## 1   4.2   VC  0.5  1
## 2  11.5   VC  0.5  2
## 3   7.3   VC  0.5  3
## 4   5.8   VC  0.5  4
## 5   6.4   VC  0.5  5
## 6  10.0   VC  0.5  6
## 7  11.2   VC  0.5  7
## 8  11.2   VC  0.5  8
## 9   5.2   VC  0.5  9
## 10  7.0   VC  0.5 10
## 11 16.5   VC  1.0 11
## 12 16.5   VC  1.0 12
## 13 15.2   VC  1.0 13
## 14 17.3   VC  1.0 14
## 15 22.5   VC  1.0 15
## 16 17.3   VC  1.0 16
## 17 13.6   VC  1.0 17
## 18 14.5   VC  1.0 18
## 19 18.8   VC  1.0 19
## 20 15.5   VC  1.0 20
## 21 23.6   VC  2.0 21
## 22 18.5   VC  2.0 22
## 23 33.9   VC  2.0 23
## 24 25.5   VC  2.0 24
## 25 26.4   VC  2.0 25
## 26 32.5   VC  2.0 26
## 27 26.7   VC  2.0 27
## 28 21.5   VC  2.0 28
## 29 23.3   VC  2.0 29
## 30 29.5   VC  2.0 30
## 31 15.2   OJ  0.5 31
## 32 21.5   OJ  0.5 32
## 33 17.6   OJ  0.5 33
## 34  9.7   OJ  0.5 34
## 35 14.5   OJ  0.5 35
## 36 10.0   OJ  0.5 36
## 37  8.2   OJ  0.5 37
## 38  9.4   OJ  0.5 38
## 39 16.5   OJ  0.5 39
## 40  9.7   OJ  0.5 40
## 41 19.7   OJ  1.0 41
## 42 23.3   OJ  1.0 42
## 43 23.6   OJ  1.0 43
## 44 26.4   OJ  1.0 44
## 45 20.0   OJ  1.0 45
## 46 25.2   OJ  1.0 46
## 47 25.8   OJ  1.0 47
## 48 21.2   OJ  1.0 48
## 49 14.5   OJ  1.0 49
## 50 27.3   OJ  1.0 50
## 51 25.5   OJ  2.0 51
## 52 26.4   OJ  2.0 52
## 53 22.4   OJ  2.0 53
## 54 24.5   OJ  2.0 54
## 55 24.8   OJ  2.0 55
## 56 30.9   OJ  2.0 56
## 57 26.4   OJ  2.0 57
## 58 27.3   OJ  2.0 58
## 59 29.4   OJ  2.0 59
## 60 23.0   OJ  2.0 60

Data Preparation

ใช้คำสั่ง str() เพื่อตรวจสอบว่าโครงสร้างของข้อมูลเป็นไปตามที่ต้องการหรือไม่

ในกรณีนี้พบว่าตัวแปร dose นั้นถูกบันทึกเป็น num จึงต้องแปลงให้เป็น factor ให้เรียบร้อย กำหนด levels และ labels ให้ตรงกับที่ต้องการจะให้ปรากฎเวลาวิเคราะห์ข้อมูล

str(mydata)
## 'data.frame':    60 obs. of  4 variables:
##  $ len : num  4.2 11.5 7.3 5.8 6.4 10 11.2 11.2 5.2 7 ...
##  $ supp: Factor w/ 2 levels "OJ","VC": 2 2 2 2 2 2 2 2 2 2 ...
##  $ dose: num  0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 ...
##  $ id  : int  1 2 3 4 5 6 7 8 9 10 ...
mydata$dose <- factor(mydata$dose, levels = c(0.5, 1, 2), labels = c("D0.5", "D1", "D2"))
str(mydata)
## 'data.frame':    60 obs. of  4 variables:
##  $ len : num  4.2 11.5 7.3 5.8 6.4 10 11.2 11.2 5.2 7 ...
##  $ supp: Factor w/ 2 levels "OJ","VC": 2 2 2 2 2 2 2 2 2 2 ...
##  $ dose: Factor w/ 3 levels "D0.5","D1","D2": 1 1 1 1 1 1 1 1 1 1 ...
##  $ id  : int  1 2 3 4 5 6 7 8 9 10 ...

Descriptive Statistics

ลำดับต่อไปคือการตรวจสอบค่าสถิติพื้นฐาน เช่น ค่าเฉลี่ย ส่วนเบี่ยงเบนมาตรฐาน จำนวนกลุ่มตัวอย่าง เป็นต้น

# checking sample size
table(mydata$supp, mydata$dose)
##     
##      D0.5 D1 D2
##   OJ   10 10 10
##   VC   10 10 10

ในกรณีนี้เรามีกลุ่มตัวอย่างเท่ากันในทุกช่อง (balanced design)

สำหรับสถิติเชิงพรรณาให้ใช้คำสั่ง describeBy() จาก package psych เพื่อตรวจสอบค่าต่าง ๆ เช่น ค่าสูงสุดต่ำสุด ว่าข้อมูลมีจุดผิดพลาดอะไรหรือไม่

ส่วนคำสั่ง apa.2way.table() เหมาะสำหรับใช้สร้างตารางเป็นไฟล์ Word เพื่อนำไปใช้เขียนรายงาน

describeBy(len ~ supp * dose, data = mydata) # This will give us detailed descriptive stats by group
## 
##  Descriptive statistics by group 
## supp: OJ
## dose: D0.5
##     vars  n  mean   sd median trimmed mad min  max range skew kurtosis   se
## len    1 10 13.23 4.46  12.25   12.82 4.3 8.2 21.5  13.3 0.44    -1.37 1.41
## -------------------------------------------------------------------------------- 
## supp: VC
## dose: D0.5
##     vars  n mean   sd median trimmed  mad min  max range skew kurtosis   se
## len    1 10 7.98 2.75   7.15    8.01 3.56 4.2 11.5   7.3 0.13    -1.81 0.87
## -------------------------------------------------------------------------------- 
## supp: OJ
## dose: D1
##     vars  n mean   sd median trimmed  mad  min  max range  skew kurtosis   se
## len    1 10 22.7 3.91  23.45   23.15 3.93 14.5 27.3  12.8 -0.68    -0.68 1.24
## -------------------------------------------------------------------------------- 
## supp: VC
## dose: D1
##     vars  n  mean   sd median trimmed mad  min  max range skew kurtosis  se
## len    1 10 16.77 2.52   16.5   16.45 1.7 13.6 22.5   8.9 0.93     0.08 0.8
## -------------------------------------------------------------------------------- 
## supp: OJ
## dose: D2
##     vars  n  mean   sd median trimmed  mad  min  max range skew kurtosis   se
## len    1 10 26.06 2.66  25.95   25.91 2.08 22.4 30.9   8.5 0.37    -1.09 0.84
## -------------------------------------------------------------------------------- 
## supp: VC
## dose: D2
##     vars  n  mean  sd median trimmed mad  min  max range skew kurtosis   se
## len    1 10 26.14 4.8  25.95   26.12 4.6 18.5 33.9  15.4 0.16    -1.23 1.52
apa.2way.table(dv = len, iv1 = supp, iv2 = dose , data = mydata, filename = "twowaydesciptive.doc")
## 
## 
## Means and standard deviations for len as a function of a 2(supp) X 3(dose) design 
## 
##        dose                           
##        D0.5         D1         D2     
##  supp     M   SD     M   SD     M   SD
##    OJ 13.23 4.46 22.70 3.91 26.06 2.66
##    VC  7.98 2.75 16.77 2.52 26.14 4.80
## 
## Note. M and SD represent mean and standard deviation, respectively.

Quick Visualization

เพื่อให้เห็นภาพของข้อมูลโดยรวม การใช้วาดกราฟจะช่วยได้เป็นอย่างดี ในจุดนี้เราไม่ต้องการภาพที่สวยงานแค่ใช้พิจารณาข้อมูลได้ก็เพียงพอ

เราสามาถใช้ boxplot() ใน Base R หรือใช้ ggplot() ก็ได้

boxplot(len ~ supp * dose, data = mydata, col = c("dodgerblue", "lightyellow"))

ggplot(mydata, aes(x = supp, y = len, fill = dose)) +
  geom_boxplot()

Two-way ANOVA

ในขั้นตอนการวิเคราะห์ความแปรปรวนสองทางนี้ เราต้องระมัดระวังว่าจะเลือกใช้คำสั่งใด เพราะแต่ละคำสั่งจะใช้วิธีคำนวณ SS ละคนประเภทกัน

ในตัวอย่างนี้ ข้อมูลเป็นแบบ balanced ผลของ SS Type I, II, และ III จะเท่ากัน แต่หากกลุ่มตัวอย่างไม่เท่ากัน การเลือกใช้ SS Type ที่แตกต่างกันจะทำให้ได้ผลที่ไม่เหมือนกันไปด้วย

Base R (Type I SS)

สำหรับการวิเคราะห์ที่มีตัวแปรต้นตั้งแต่สองตัวขึ้นไป ควรหลีกเลี่ยงการสร้างโมเดล aov ใน R เพราะเป็นวิธีที่ใช้ Type I SS ซึ่งมักจะไม่เหมาะสมในการทดสอบสมมติฐานใน unbalanced design

tooth.aov <- aov(len ~ supp * dose, data = mydata)
summary(tooth.aov)
##             Df Sum Sq Mean Sq F value   Pr(>F)    
## supp         1  205.3   205.3  15.572 0.000231 ***
## dose         2 2426.4  1213.2  92.000  < 2e-16 ***
## supp:dose    2  108.3    54.2   4.107 0.021860 *  
## Residuals   54  712.1    13.2                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

หากต้องการคำนวณโดยใช้ Type III SS เรามีทางเลือกหลัก ๆ 3 วิธี

Option 1: car package

ใช้คำสั่ง Anova() ใน car (สังเกตว่าใช้ A ตัวพิมพ์ใหญ่)

เพื่อจะใช้งานคำสั่งนี้ เราจะต้องสร้างโมเดลเชิงเส้นตรง (linear model) ด้วยคำสั่ง lm()

ในส่วนโมเดล เราจะเขียน y ~ x1 * x2 หรือ y ~ x1 + x2 + x1:x2 ก็ได้ (ได้ผลเหมือนกัน)

นอกจากนี้ให้กำหนดตัวเลือก contrast เป็น contr.sum สำหรับตัวแปรอิสระทั้งสองตัว เมื่อทำตามนี้แล้วจะได้โมเดลที่ให้ผลเท่ากับการวิเคราะห์ ANOVA (ANOVA เป็นกรณีเฉพาะแบบหนึ่งของ linear model)

สำหรับคำสั่ง Anova() นั้นจะมี input เป็นโมเดล lm ที่เราสร้างขึ้น และมี option type ให้กำหนดชนิดของ SS

เราสามารถเรียกคำสั่ง Anova() เพื่อดูผลได้เลย หรือ save เป็นตัวแปรเพื่อใช้งานในอนาคตต่อไปก็ได้

tooth.lm <- lm(len ~ supp + dose + supp:dose, data = mydata, 
               contrast = list(supp = contr.sum, dose = contr.sum)) # same as aov

# Type I
anova(tooth.lm) # Base R function. Notice the small a.
## Analysis of Variance Table
## 
## Response: len
##           Df  Sum Sq Mean Sq F value    Pr(>F)    
## supp       1  205.35  205.35  15.572 0.0002312 ***
## dose       2 2426.43 1213.22  92.000 < 2.2e-16 ***
## supp:dose  2  108.32   54.16   4.107 0.0218603 *  
## Residuals 54  712.11   13.19                      
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
# Type III
tooth.Anova <- Anova(tooth.lm, type = 3)
tooth.Anova # car function. Capital A. 
## Anova Table (Type III tests)
## 
## Response: len
##              Sum Sq Df  F value    Pr(>F)    
## (Intercept) 21236.5  1 1610.393 < 2.2e-16 ***
## supp          205.4  1   15.572 0.0002312 ***
## dose         2426.4  2   92.000 < 2.2e-16 ***
## supp:dose     108.3  2    4.107 0.0218603 *  
## Residuals     712.1 54                       
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Option 2: afex package

อีกทางเลือกหนึ่งคือใช้ afex (Analysis of Factorial Experiments) ซึ่งออกแบบมาเพื่อการวิเคราะห์ ANOVA ที่ซับซ้อนโดยเฉพาะ ในระดับโปรแกรมคำสั่ง afex::aov_car() จะดึงคำสั่งจากชุดคำสั่งใน car มาใช้งาน แต่คำสั่งใน afex อาจดูใช้งานง่ายกว่า

ในคำสั่ง aov_car() จะต้องมีการเขียนโมเดล โดยโมเดลจะอยู่ในรูป y ~ x1 * x2 + Error() จุดที่แตกต่างจากเดิมคือต้องมีการระบุ Error() หรือความคลาดเคลื่อนของโมเดล ในกรณีนี้เป็นการออกแบบระหว่างกลุ่ม ความคลาดเคลื่อนจึงอยู่ที่กลุ่มตัวอย่าง ซึ่งเราระบุตัวได้ด้วยตัวแปร id (ขึ้นไปดูวิธีสร้างด้านบน)

tooth.afex <- aov_car(len ~ supp * dose + Error(id), data = mydata)
summary(tooth.afex)
## Anova Table (Type 3 tests)
## 
## Response: len
##           num Df den Df    MSE      F     ges    Pr(>F)    
## supp           1     54 13.187 15.572 0.22383 0.0002312 ***
## dose           2     54 13.187 92.000 0.77311 < 2.2e-16 ***
## supp:dose      2     54 13.187  4.107 0.13203 0.0218603 *  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Anova(tooth.afex$lm, type = 3)
## Anova Table (Type III tests)
## 
## Response: dv
##              Sum Sq Df  F value    Pr(>F)    
## (Intercept) 21236.5  1 1610.393 < 2.2e-16 ***
## supp          205.4  1   15.572 0.0002312 ***
## dose         2426.4  2   92.000 < 2.2e-16 ***
## supp:dose     108.3  2    4.107 0.0218603 *  
## Residuals     712.1 54                       
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

ข้อความเตือนแสดงให้เราเห็นว่า โปรแกรมได้ปรับ option contrast อัตโนมัติให้เป็น contr.sum

ตาราง ANOVA ของคำสั่ง aov_car() จะไม่เหมือนกับตาราง ANOVA ทั่วไปที่จะแสดง SS หรือ MS ให้ หากต้องการได้ตารางที่มีค่า SS สามารถใช้คำสั่ง car::Anova() เรียกวิเคราะห์โมเดล lm ที่ซ่อนอยู่ใน object ของ aov_car ได้

Option 3: jmv

คำสั่ง ANOVA() ใน jmv จะวิเคราะห์ด้วย Type III SS เป็นค่าตั้งต้น ลักษณะการใช้งานของคำสั่งใน jmv จะแตกต่างจากคำสั่ง R ทั่วไป ที่จะให้ผู้ใช้เรียกคำสั่งตามที่ต้องการทีละตัว แต่คำสั่งใน jmv จะมีลักษณะเป็นคำสั่งเดียว (เช่น ANOVA) แล้วมี options ให้เลือกจำนวนมาก (เช่น คำนวณ effect size ตัวไหน ต้องการทำ post-hoc หรือไม่ จะดู estimated marginal means ไหม จะ plot estimated marginal means ไหม จะแสดง 95% CI หรือไม่ ฯลฯ) สำหรับ options ในคำสั่ง สามารถดูได้ที่ ?ANOVA

ANOVA(formula = len ~ supp * dose, data = mydata, effectSize = list("partEta", "omega"))
## 
##  ANOVA
## 
##  ANOVA - len                                                                                               
##  ───────────────────────────────────────────────────────────────────────────────────────────────────────── 
##                 Sum of Squares    df    Mean Square    F            p             η²p          ω²          
##  ───────────────────────────────────────────────────────────────────────────────────────────────────────── 
##    supp               205.3500     1      205.35000    15.571979     0.0002312    0.2238254    0.0554519   
##    dose              2426.4343     2     1213.21717    91.999965    < .0000001    0.7731092    0.6925788   
##    supp:dose          108.3190     2       54.15950     4.106991     0.0218603    0.1320279    0.0236466   
##    Residuals          712.1060    54       13.18715                                                        
##  ─────────────────────────────────────────────────────────────────────────────────────────────────────────

Effect size

ในการคำนวณขนาดอิทธิพล สามารถใช้คำสั่งจาก effectsize ได้ เช่น ต้องการ eta_squared() หรือ omega_squared หรือ cohens_f

เนื่องจากการวิเคราะห์ที่เราใช้เป็น Type III SS เราจึงต้องใช้ object ที่เป็น Type III ในคำสั่งของ effectsize ซึ่งสามารถใช้ได้ทั้งโมเดลจาก afex::aov_car() หรือ output ที่ save จาก car::Anova

eta_squared(tooth.Anova)
## Type 3 ANOVAs only give sensible and informative results when covariates are mean-centered and
##   factors are coded with orthogonal contrasts (such as those produced by 'contr.sum',
##   'contr.poly', or 'contr.helmert', but *not* by the default 'contr.treatment').
## # Effect Size for ANOVA (Type III)
## 
## Parameter | Eta2 (partial) |       95% CI
## -----------------------------------------
## supp      |           0.22 | [0.08, 1.00]
## dose      |           0.77 | [0.68, 1.00]
## supp:dose |           0.13 | [0.01, 1.00]
## 
## - One-sided CIs: upper bound fixed at [1.00].
eta_squared(tooth.afex) #same as above
## # Effect Size for ANOVA (Type III)
## 
## Parameter | Eta2 (partial) |       95% CI
## -----------------------------------------
## supp      |           0.22 | [0.08, 1.00]
## dose      |           0.77 | [0.68, 1.00]
## supp:dose |           0.13 | [0.01, 1.00]
## 
## - One-sided CIs: upper bound fixed at [1.00].
omega_squared(tooth.Anova)
## Type 3 ANOVAs only give sensible and informative results when covariates are mean-centered and
##   factors are coded with orthogonal contrasts (such as those produced by 'contr.sum',
##   'contr.poly', or 'contr.helmert', but *not* by the default 'contr.treatment').
## # Effect Size for ANOVA (Type III)
## 
## Parameter | Omega2 (partial) |       95% CI
## -------------------------------------------
## supp      |             0.20 | [0.06, 1.00]
## dose      |             0.75 | [0.65, 1.00]
## supp:dose |             0.09 | [0.00, 1.00]
## 
## - One-sided CIs: upper bound fixed at [1.00].
omega_squared(tooth.afex) #same as above
## # Effect Size for ANOVA (Type III)
## 
## Parameter | Omega2 (partial) |       95% CI
## -------------------------------------------
## supp      |             0.20 | [0.06, 1.00]
## dose      |             0.75 | [0.65, 1.00]
## supp:dose |             0.09 | [0.00, 1.00]
## 
## - One-sided CIs: upper bound fixed at [1.00].
cohens_f(tooth.Anova)
## Type 3 ANOVAs only give sensible and informative results when covariates are mean-centered and
##   factors are coded with orthogonal contrasts (such as those produced by 'contr.sum',
##   'contr.poly', or 'contr.helmert', but *not* by the default 'contr.treatment').
## # Effect Size for ANOVA (Type III)
## 
## Parameter | Cohen's f (partial) |      95% CI
## ---------------------------------------------
## supp      |                0.54 | [0.30, Inf]
## dose      |                1.85 | [1.47, Inf]
## supp:dose |                0.39 | [0.11, Inf]
## 
## - One-sided CIs: upper bound fixed at [Inf].
cohens_f(tooth.afex) #same as above
## # Effect Size for ANOVA (Type III)
## 
## Parameter | Cohen's f (partial) |      95% CI
## ---------------------------------------------
## supp      |                0.54 | [0.30, Inf]
## dose      |                1.85 | [1.47, Inf]
## supp:dose |                0.39 | [0.11, Inf]
## 
## - One-sided CIs: upper bound fixed at [Inf].

Simple effect

เนื่องจากเราพบว่าตัวแปร supp และ dose มีปฏิสัมพันธ์กัน เราจึงต้องสำรวจต่อในระดับอิทธิพลอย่างง่าย (simple effects)

ก่อนอื่นเราต้องสร้าง โมเดลค่าเฉลี่ยของแต่ละเงื่อนไขด้วย emmeans() โดยมี input เป็นโมเดลสถิติจากคำสั่ง lm() หรือ afex::aov_car และกำหนดโมเดลว่าเราต้องการดูค่าเฉลี่ยของตัวแปรใน เช่น ~ x1 * x2 คือ สร้างตารางค่าเฉลี่ยของทุกช่อง (ทุกระดับในตัวแปร 1 และ 2)

tooth.emm1 <- emmeans(tooth.lm, ~ supp * dose)
tooth.emm2 <- emmeans(tooth.afex, ~ supp * dose) #same as above
tooth.emm1
##  supp dose emmean   SE df lower.CL upper.CL
##  OJ   D0.5  13.23 1.15 54    10.93     15.5
##  VC   D0.5   7.98 1.15 54     5.68     10.3
##  OJ   D1    22.70 1.15 54    20.40     25.0
##  VC   D1    16.77 1.15 54    14.47     19.1
##  OJ   D2    26.06 1.15 54    23.76     28.4
##  VC   D2    26.14 1.15 54    23.84     28.4
## 
## Confidence level used: 0.95
tooth.emm2 #same as above
##  supp dose emmean   SE df lower.CL upper.CL
##  OJ   D0.5  13.23 1.15 54    10.93     15.5
##  VC   D0.5   7.98 1.15 54     5.68     10.3
##  OJ   D1    22.70 1.15 54    20.40     25.0
##  VC   D1    16.77 1.15 54    14.47     19.1
##  OJ   D2    26.06 1.15 54    23.76     28.4
##  VC   D2    26.14 1.15 54    23.84     28.4
## 
## Confidence level used: 0.95

หากผู้วิจัยต้องการศึกษาว่า แหล่งของวิตามิน supp แตกต่างหรือไม่ แยกตามระดับ dose

เราสามารถใช้คำสั่ง emmeans::contrast() โดยให้ input เป็นโมเดลตารางค่าเฉลี่ย (จากคำสั่ง emmeans ด้านบน) และเลือก method = "pairwise" คือให้เปรียบเทียบรายคู่ และ กำหนดให้การทดสอบอิทธิพลอย่างง่าย simple = "supp" ซึ่งเป็นตัวแปรที่ต้องการเปรียบเทียบ (หรือใช้คำสั่ง by = ตัวแปรที่ต้องการแยก ก็ได้)

suppBydose <- contrast(tooth.emm1, "pairwise", simple = "supp")
contrast(tooth.emm1, "pairwise", by = "dose") #same as above
## dose = D0.5:
##  contrast estimate   SE df t.ratio p.value
##  OJ - VC      5.25 1.62 54   3.233  0.0021
## 
## dose = D1:
##  contrast estimate   SE df t.ratio p.value
##  OJ - VC      5.93 1.62 54   3.651  0.0006
## 
## dose = D2:
##  contrast estimate   SE df t.ratio p.value
##  OJ - VC     -0.08 1.62 54  -0.049  0.9609

เนื่องจากการทดสอบ supp ในแต่ละเงื่อนไข dose จะทำให้มีการทดสอบทั้งสิ้น 3 คู่ เราจึงต้องปรับแก้ค่า p เพื่อป้องกัน \(\alpha_{fw}\) ดังนั้นเราจึงต้องรวมการทดสอบทั้ง 3 คู่ให้อยู่ใน family เดียวกันด้วย rbind() จากนั้นใช้คำสั่ง summary() เรียกดูค่าสถิติ โดยกำหนดให้ปรับแก้ adjust = "sidak"

fam_suppBydose<- rbind(suppBydose)
summary(fam_suppBydose, adjust = "sidak", infer = TRUE)
##  dose contrast estimate   SE df lower.CL upper.CL t.ratio p.value
##  D0.5 OJ - VC      5.25 1.62 54     1.25     9.25   3.233  0.0063
##  D1   OJ - VC      5.93 1.62 54     1.93     9.93   3.651  0.0018
##  D2   OJ - VC     -0.08 1.62 54    -4.08     3.92  -0.049  0.9999
## 
## Confidence level used: 0.95 
## Conf-level adjustment: sidak method for 3 estimates 
## P value adjustment: sidak method for 3 tests
plot(fam_suppBydose, adjust = "sidak") 

หากต้องการเปรียบเทียบค่าเฉลี่ยของ dose โดยแบ่งตาม supp ก็สามารถทำได้โดยแก้ไข option simple = "dose" หรือ by = "supp"

doseBysupp <- contrast(tooth.emm1, "pairwise", simple = "dose")

fam_doseBysupp<- rbind(doseBysupp)
summary(fam_doseBysupp, adjust = "sidak", infer = TRUE)
##  supp contrast  estimate   SE df lower.CL upper.CL t.ratio p.value
##  OJ   D0.5 - D1    -9.47 1.62 54    -13.9    -5.03  -5.831  <.0001
##  OJ   D0.5 - D2   -12.83 1.62 54    -17.3    -8.39  -7.900  <.0001
##  OJ   D1 - D2      -3.36 1.62 54     -7.8     1.08  -2.069  0.2335
##  VC   D0.5 - D1    -8.79 1.62 54    -13.2    -4.35  -5.413  <.0001
##  VC   D0.5 - D2   -18.16 1.62 54    -22.6   -13.72 -11.182  <.0001
##  VC   D1 - D2      -9.37 1.62 54    -13.8    -4.93  -5.770  <.0001
## 
## Confidence level used: 0.95 
## Conf-level adjustment: sidak method for 6 estimates 
## P value adjustment: sidak method for 6 tests
plot(fam_doseBysupp, adjust = "sidak") 

ในกรณีที่ต้องการดู simple effects ทุกคู่ที่เป็นไปได้ ให้กำหนด simple = "each" โปรแกรมจะคำนวณ simple effects ในทุก ๆ รายคู่ที่เป็นไปได้ให้ เราควรเพิ่มคำสั่ง combine = TRUE เพื่อรวมการวิเคราะห์รายคู่ทั้งหมดอยู่ด้วยกัน แล้วปรับแก้พร้อมกันทีเดียวใน summary() ด้วยวิธีของ sidak

allsimple <- contrast(tooth.emm1, "pairwise", simple = "each", combine = TRUE)
summary(allsimple, adjust = "sidak", infer = TRUE)
##  dose supp contrast  estimate   SE df lower.CL upper.CL t.ratio p.value
##  D0.5 .    OJ - VC       5.25 1.62 54    0.572     9.93   3.233  0.0187
##  D1   .    OJ - VC       5.93 1.62 54    1.252    10.61   3.651  0.0053
##  D2   .    OJ - VC      -0.08 1.62 54   -4.758     4.60  -0.049  1.0000
##  .    OJ   D0.5 - D1    -9.47 1.62 54  -14.148    -4.79  -5.831  <.0001
##  .    OJ   D0.5 - D2   -12.83 1.62 54  -17.508    -8.15  -7.900  <.0001
##  .    OJ   D1 - D2      -3.36 1.62 54   -8.038     1.32  -2.069  0.3289
##  .    VC   D0.5 - D1    -8.79 1.62 54  -13.468    -4.11  -5.413  <.0001
##  .    VC   D0.5 - D2   -18.16 1.62 54  -22.838   -13.48 -11.182  <.0001
##  .    VC   D1 - D2      -9.37 1.62 54  -14.048    -4.69  -5.770  <.0001
## 
## Confidence level used: 0.95 
## Conf-level adjustment: sidak method for 9 estimates 
## P value adjustment: sidak method for 9 tests

Post-hoc for main effects

โดยปกติแล้วหากพบผลปฏิสัมพันธ์ ผู้วิจัยมักไม่มีความจำเป็นที่จะต้องวิเคราะห์รายคู่ในระดับ main effect (เนื่องจากวิเคราะห์ simple effect ไปแล้ว)

แต่ถ้าหากไม่พบปฏิสัมพันธ์ แต่พบอิทธิพลหลัก เราอาจวิเคราะห์ post-hoc ของอิทธิพลหลักได้ด้วยคำสั่งด้านล่างนี้

supp.emm <- emmeans(tooth.afex, ~ supp) # use only main effect of interest
## NOTE: Results may be misleading due to involvement in interactions
supp.emm
##  supp emmean    SE df lower.CL upper.CL
##  OJ     20.7 0.663 54     19.3     22.0
##  VC     17.0 0.663 54     15.6     18.3
## 
## Results are averaged over the levels of: dose 
## Confidence level used: 0.95
contrast(supp.emm, "pairwise", infer = TRUE) 
##  contrast estimate    SE df lower.CL upper.CL t.ratio p.value
##  OJ - VC       3.7 0.938 54     1.82     5.58   3.946  0.0002
## 
## Results are averaged over the levels of: dose 
## Confidence level used: 0.95
pairs(supp.emm, infer = TRUE) #same as above
##  contrast estimate    SE df lower.CL upper.CL t.ratio p.value
##  OJ - VC       3.7 0.938 54     1.82     5.58   3.946  0.0002
## 
## Results are averaged over the levels of: dose 
## Confidence level used: 0.95
dose.emm <- emmeans(tooth.afex, ~ dose) # main effect of dose
## NOTE: Results may be misleading due to involvement in interactions
pairs(dose.emm, infer = TRUE) #for pairwise, default adjust option is "tukey"
##  contrast  estimate   SE df lower.CL upper.CL t.ratio p.value
##  D0.5 - D1    -9.13 1.15 54   -11.90    -6.36  -7.951  <.0001
##  D0.5 - D2   -15.49 1.15 54   -18.26   -12.73 -13.493  <.0001
##  D1 - D2      -6.37 1.15 54    -9.13    -3.60  -5.543  <.0001
## 
## Results are averaged over the levels of: supp 
## Confidence level used: 0.95 
## Conf-level adjustment: tukey method for comparing a family of 3 estimates 
## P value adjustment: tukey method for comparing a family of 3 estimates

Pretty graphs

กราฟิกใน R อาจจะใช้เวลาเรียนรู้นานกว่าโปรแกรมอื่น ๆ แต่เมื่อใช้งานเป็นแล้วจะสามารถสร้างกราฟที่สวยงามได้ตามที่ต้องการในเวลาที่รวดเร็ว

เริ่มแรกให้เราสร้าง dataframe ที่มีค่าเฉลี่ยของแต่ละเงื่อนไขเพื่อเอาไปสร้างกราฟ โดย save ผลจาก summary() ของตัวโมเดลตารางค่าเฉลี่ย (จาก emmeans)

จากนั้นนำไปใส่ในคำสั่ง ggplot() แล้วกำหนด aestheic aes() ให้

x เป็นตัวแปรอิสระตัวที่ 1

y เป็นตัวแปรตาม

color กำหนดให้ใช้กลุ่มสีแทนตัวแปรอิสระตัวที่ 2

จากนั้นเพิ่ม geometry ชนิด column geom_col กำหนด aes(fill =) ตัวแปรอิสระตัวที่ 2 (เพื่อให้เติมสีใน column ตามตัวแปร) ส่วน option alpha ใช้กำหนดความโปร่งแสง (transparency) และ option position = position_dodge(.9) กำหนดไว้ให้คอลัมน์วางอยู่ข้างกัน (หากไม่กำหนดคอลัมน์จะทับกัน)

geom_errorbar() ใช้สร้างขีดบอกความคลาดเคลื่อน (ในโมเดลตารางค่าเฉลี่ยมี 95% CI อยู่) ให้กำหนด ymin เป็นตัวแปรที่มีค่าขอบล่างของขีด และ xmin เป็นค่าขอบบนของขีด (เราสามารถเลือกค่า error bar ได้ตามต้องการ เช่น นักวิจัยบางคนใช้ค่า SE แทนค่า 95% CI) ส่วน option width เป็นตัวบอกขนาดของขีด สำหรับ position เราใช้ค่าเดียวกับใน geom_col เพื่อให้ error bar กับ column เรียงตรงกัน

xlab คือ ชื่อของแกน X ylab คือชื่อบนแกน Y ส่วน theme_classic มีลักษณะค่อนข้างใกล้เคียง APA (ผู้ใช้งานระดับสูงมักนิยมสร้าง theme ใหม่ของตัวเองไว้ใช้งาน)

สำหรับสอง option สุดท้าย คือ สีสำหรับ color (สีเส้นขอบ) และ fill (สีช่องในคอลัมน์) สามารถดูชุดสีได้ด้วยคำสั่ง RColorBrewer::display.brewer.all()

emm.summary <- summary(tooth.emm1)
emm.summary
##  supp dose emmean   SE df lower.CL upper.CL
##  OJ   D0.5  13.23 1.15 54    10.93     15.5
##  VC   D0.5   7.98 1.15 54     5.68     10.3
##  OJ   D1    22.70 1.15 54    20.40     25.0
##  VC   D1    16.77 1.15 54    14.47     19.1
##  OJ   D2    26.06 1.15 54    23.76     28.4
##  VC   D2    26.14 1.15 54    23.84     28.4
## 
## Confidence level used: 0.95
ggplot(emm.summary, aes(x = dose, y = emmean, color = supp)) + 
  geom_col(aes(fill = supp), alpha = .5, position = position_dodge(.9)) +
  geom_errorbar(aes(ymin = lower.CL, ymax = upper.CL), width = .3, position = position_dodge(.9)) + 
  xlab("Dose") +
  ylab("Length") +
  theme_classic() +
  scale_color_brewer(palette="Accent") +
  scale_fill_brewer(palette="Accent")

emm.summary <- summary(tooth.emm1)
emm.summary
##  supp dose emmean   SE df lower.CL upper.CL
##  OJ   D0.5  13.23 1.15 54    10.93     15.5
##  VC   D0.5   7.98 1.15 54     5.68     10.3
##  OJ   D1    22.70 1.15 54    20.40     25.0
##  VC   D1    16.77 1.15 54    14.47     19.1
##  OJ   D2    26.06 1.15 54    23.76     28.4
##  VC   D2    26.14 1.15 54    23.84     28.4
## 
## Confidence level used: 0.95
ggplot(emm.summary, aes(x = dose, y = emmean, color = supp)) + 
  geom_point(position = position_dodge(.2)) +
  geom_line(aes(group = supp), position = position_dodge(.2)) +
  geom_errorbar(aes(ymin = lower.CL, ymax = upper.CL), width = .3, position = position_dodge(.2)) + 
  xlab("Dose") +
  ylab("Length") +
  theme_classic() +
  scale_color_manual(values=c("#999999", "#E69F00"))

 

Copyright © 2022 Kris Ariyabuddhiphongs