如何在R中从重复测量的ANOVA模型中获取残差

Question

通常从 aov（） 中使用summary（）函数后，您可以得到残差。

但是当我使用重复测量ANOVA并且公式不同时，如何获得残差？

## as a test, not particularly sensible statistically
npk.aovE <- aov(yield ~  N*P*K + Error(block), npk)
npk.aovE
summary(npk.aovE)
Error: block
          Df Sum Sq Mean Sq F value Pr(>F)
N:P:K      1   37.0   37.00   0.483  0.525
Residuals  4  306.3   76.57               

Error: Within
          Df Sum Sq Mean Sq F value  Pr(>F)   
N          1 189.28  189.28  12.259 0.00437 **
P          1   8.40    8.40   0.544 0.47490   
K          1  95.20   95.20   6.166 0.02880 * 
N:P        1  21.28   21.28   1.378 0.26317   
N:K        1  33.14   33.14   2.146 0.16865   
P:K        1   0.48    0.48   0.031 0.86275   
Residuals 12 185.29   15.44                   
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

直观地说，summary(npk.aovE)$residuals返回NULL。 有人可以帮我吗？

- Marcin Kosiński

---

你不能只是从你的估计值中减去观察值吗？ - Jonathan Lisic

Answer 1

观察输出结果

> names(npk.aovE)

尝试一下

> npk.aovE$residuals 

编辑：我很抱歉我读你的例子太快了。使用aov（）无法在多层模型中实现我的建议。请尝试以下操作：

> npk.pr <- proj(npk.aovE) 
> npk.pr[[3]][, "Residuals"]

如果有人遇到相同问题，以下是一个简单易操作的可重现步骤：

x1 <- gl(8, 4)                                                                 
block <- gl(2, 16)                                                             
y <- as.numeric(x1) + rnorm(length(x1))                                        
d <- data.frame(block, x1, y)                                                  

m <- aov(y ~ x1 + Error(block), d)                                             
m.pr <- proj(m)                                                                  
m.pr[[3]][, "Residuals"]

- MAB

---

对于分层模型，它不起作用，就像我之前所写的那样。 - Marcin

谢谢！不知道proj()函数。 - Marcin

你可以使用 m.pr[['Within']][,'Residuals']（而不是索引 [3]）来进行更通用的处理。看起来索引可能会根据 aov 模型而改变。 - toto_tico

Answer 2

另一个选项是使用lme:

require(MASS) ## for oats data set
require(nlme) ## for lme()
require(multcomp) ## for multiple comparison stuff

Aov.mod <- aov(Y ~ N * V + Error(B/V), data = oats)
the_residuals <- aov.out.pr[[3]][, "Residuals"]

Lme.mod <- lme(Y ~ N * V, random = ~1 | B/V, data = oats)
the_residuals <- residuals(Lme.mod)

原始示例没有交互作用(Lme.mod <- lme(Y ~ N * V, random = ~1 | B/V, data = oats))，但是似乎与之一起使用(并产生不同的结果，因此它正在做某些事情)。

就这样...

但为了完整起见:

1- 模型摘要

summary(Aov.mod)
anova(Lme.mod)

2 - 使用重复测量的Tukey检验进行方差分析（寻找3个小时！！）。当存在交互作用时会出现警告（使用*而不是+），但似乎可以忽略它。请注意，V和N是公式内的因子。

summary(Lme.mod)
summary(glht(Lme.mod, linfct=mcp(V="Tukey")))
summary(glht(Lme.mod, linfct=mcp(N="Tukey")))

3 - 正态性和同方差性图

par(mfrow=c(1,2)) #add room for the rotated labels
aov.out.pr <- proj(aov.mod)                                            
#oats$resi <- aov.out.pr[[3]][, "Residuals"]
oats$resi <- residuals(Lme.mod)
qqnorm(oats$resi, main="Normal Q-Q") # A quantile normal plot - good for checking normality
qqline(oats$resi)
boxplot(resi ~ interaction(N,V), main="Homoscedasticity", 
        xlab = "Code Categories", ylab = "Residuals", border = "white", 
        data=oats)
points(resi ~ interaction(N,V), pch = 1, 
       main="Homoscedasticity",  data=oats)

- toto_tico