很遗憾,您不能这么做。Tukey HSD与您的带有多重比较调整的成对t检验不同。您看到的p值基于
学生化范围(q)分布。
一种方法是拟合线性模型,这类似于您的ANOVA,并在系数上进行成对的t检验,然后对所需的子集进行子集。
为了说明这一点,我使用了一些模拟数据,这是TukeyHSD的样子:
import pandas as pd
import numpy as np
from statsmodels.formula.api import ols
from statsmodels.stats.multicomp import pairwise_tukeyhsd
from statsmodels.stats.multitest import multipletests
np.random.seed(123)
df = pd.DataFrame({'RT':np.random.randn(100),'Cond':np.random.choice(['A','B','C','D'],100)})
hs_res=pairwise_tukeyhsd(df["RT"], df['Cond'])
print(hs_res)
Multiple Comparison of Means - Tukey HSD, FWER=0.05
===================================================
group1 group2 meandiff p-adj lower upper reject
---------------------------------------------------
A B -0.6598 0.2428 -1.5767 0.2571 False
A C -0.3832 0.6946 -1.3334 0.567 False
A D -0.634 0.2663 -1.5402 0.2723 False
B C 0.2766 0.7861 -0.5358 1.0891 False
B D 0.0258 0.9 -0.7347 0.7864 False
C D -0.2508 0.8257 -1.0513 0.5497 False
---------------------------------------------------
现在我们进行OLS,您可以看到它非常可比:
res = ols("RT ~ Cond", df).fit()
pw = res.t_test_pairwise("Cond",method="sh")
pw.result_frame
coef std err t P>|t| Conf. Int. Low Conf. Int. Upp. pvalue-sh reject-sh
B-A -0.659798 0.350649 -1.881645 0.062914 -1.355831 0.036236 0.352497 False
C-A -0.383176 0.363404 -1.054407 0.294343 -1.104528 0.338176 0.829463 False
D-A -0.633950 0.346604 -1.829032 0.070499 -1.321954 0.054054 0.352497 False
C-B 0.276622 0.310713 0.890281 0.375541 -0.340138 0.893382 0.829463 False
D-B 0.025847 0.290885 0.088858 0.929380 -0.551555 0.603250 0.929380 False
D-C -0.250774 0.306140 -0.819147 0.414731 -0.858458 0.356910 0.829463 False
然后我们选择校正的子集和方法,下面我使用类似上面的simes-hochberg:
subdf = pw.result_frame.loc[['B-A','C-B','D-C']]
subdf['adj_p'] = multipletests(subdf['P>|t|'].values,method='sh')[1]
subdf
coef std err t P>|t| Conf. Int. Low Conf. Int. Upp. pvalue-sh reject-sh adj_p
B-A -0.659798 0.350649 -1.881645 0.062914 -1.355831 0.036236 0.352497 False 0.188742
C-B 0.276622 0.310713 0.890281 0.375541 -0.340138 0.893382 0.829463 False 0.414731
D-C -0.250774 0.306140 -0.819147 0.414731 -0.858458 0.356910 0.829463 False 0.414731
作为评论,如果您看到一种趋势,可能有其他模型来建模,而不是依赖事后检验。此外,在所需测试上进行子集并进行校正可以被认为是某种类型的挑剔。如果比较的数量(如您的示例中的6个),我建议您选择Tukey。这是另一个您可以在交叉验证上发布的讨论。