R中的最小二乘均值问题答案

【问题标题】：Least Square Means problems in RR中的最小二乘均值问题
【发布时间】：2017-01-20 13:19:18
【问题描述】：

我的数据看起来像这样，以图为行，以不同的 Ellenberg 值作为列，以及Year、森林 (Skov) 和森林类型 (Skovtype)。

我的数据来自 4 个不同的年份（1993 年、1998 年、2005 年和 2016 年）。

我的 lsmeans 函数有一些问题，我的脚本如下所示：

ellenberg_LM <- read.csv2("Gns. Ellenberg1.csv")

将年份从整数转换为因子

levels(ellenberg_LM$Year)
ellenberg_LM$Year <- factor(ellenberg_LM$Year)

艾伦伯格 L - LM

LLM<-lm(Gennemsnit.af.L_Ellenberg ~ Year + Skov + Skov*Year + Skovtype + Skovtype*Year,
        data=ellenberg_LM)

LS-均值

install.packages("lsmeans")
library(lsmeans)
lsmeans(LLM,~ Year, data = ellenberg_LM)

我的输出如下所示，第一个示例中的 NA 是 1993 年。但是，如果我省略与 Skov*Year 和 Skovtype*Year 的交互，R 估计所有年份的 lsmeans 就像最后一个例子一样。

那么我的问题是；你知道我做错了什么来获得 NA 还是我错过了什么？因为我想要计算所有年份的 lsmeans 交互。

【问题讨论】：

它确实会给你一个警告。也许你在 R-help 上可能会更好，尽管如果你在那里发帖，我也会包括 lm 的输出。
都是 1993 年的 Skov=="H" 和所有 Skovtype=="L" 吗？
不，Skov 可以是 R 或 H，因为研究中有两个不同的森林。 Skovtype 可以是 L（落叶林）、N（针叶林）、A（开阔地带）或 U（不带）。年份可以是 1993、1998、2005 和 2016。
我没有问“可以”是什么，而是在 1993 年是什么情况，但在其他所有年份都不是这样。正如 rvl 的回答中所提到的，缺少数据组合可能是一个问题。她/他还暗示找到问题的方法。

标签： r lsmeans

【解决方案1】：

NA 之所以存在，是因为在这三个因素的某些组合下，预测值是不可估计的——因此在对其中两个因素的水平进行平均后仍然不可估计。这可能是由于某些因素组合（数据中的空单元格）没有数据。当您拟合一个更简单的模型时，这些预测变得可估计，因为不再需要估计一些交互效应。

如果任何交互效应显着，您可能无论如何都不应该估计这些边际均值（这就是出现警告消息的原因）。查看一些交互图（例如，将lsmip 与交互模型一起使用）以可视化正在发生的事情并查看将预测平均在一起是否明智。如果这些东西让您感到困惑，请咨询统计顾问。

顺便说一下，data 参数在 lsmeans 调用中不是必需的。

【讨论】：