对比度可用于对线性模型中的处理进行比较。
常见的用途是使用析因设计时，除析因设计外还使用控制或检查处理。在下面的第一个示例中，有两个级别（1和2）的两个处理（D和C），然后有一个对照 处理。此处使用的方法是方差的单向分析，然后使用对比来检验各种假设。
在下面的第二个示例中，对六种葡萄酒进行了测量，其中一些是红色，而有些是白色。我们可以比较的治疗中通过设置对比，并进行F检验红酒组。这类似于测试红酒的主要效果。
使用的软件包
如果尚未安装这些软件包，则以下命令将安装它们：
if(!require(car)){install.packages("car")}
if(!require(lsmeans){install.packages("lsmeans")}
if(!require(multcomp)){install.packages("multcomp")}
单自由度对比示例
这个假设的例子可以代表一项采用阶乘设计的实验，其中两个处理（D和C）分别处于两个级别（1 和2），并且是对照处理。
Data = read.table(textConnection(Input),header=TRUE)
Data$Treatment = factor(Data$Treatment,
levels=unique(Data$Treatment))
Data
boxplot(Response ~ Treatment,
data = Data,
ylab="Response",
xlab="Treatment")
### Define linear model
model = lm(Response ~ Treatment,
data = Data)
library(car)
Anova(model, type="II")
summary(model)
lsmeans示例
contrast estimate SE df t.ratio p.value
D1vsD2 -0.83333333 0.1549193 10 -5.379 0.0031
C1vsC2 -2.10000000 0.1549193 10 -13.555 <.0001
InteractionDC 0.03333333 0.1549193 10 0.215 1.0000
C1vsC2forD1only -1.03333333 0.1095445 10 -9.433 <.0001
C1vsC2forD2only -1.06666667 0.1095445 10 -9.737 <.0001
TreatsvsControl 3.96666667 0.3464102 10 11.451 <.0001
T1vsC 0.26666667 0.1095445 10 2.434 0.3011
T2vsC 1.30000000 0.1095445 10 11.867 <.0001
T3vsC 0.66666667 0.1095445 10 6.086 0.0012
T4vsC 1.73333333 0.1095445 10 15.823 <.0001
由于调整方法不同，p值与multcomp ###的p值略有不同。
###两个过程的调整方法，
### p值和其他统计信息，将是相同的。
###使用
Adjust =“ none”，结果将与### aov方法相同。
multcomp示例
Estimate Std. Error t value Pr(>|t|)
D1vsD2 == 0 -0.83333 0.15492 -5.379 0.00218 **
C1vsC2 == 0 -2.10000 0.15492 -13.555 < 0.001 ***
InteractionDC == 0 0.03333 0.15492 0.215 0.99938
C1vsC2forD1only == 0 -1.03333 0.10954 -9.433 < 0.001 ***
C1vsC2forD2only == 0 -1.06667 0.10954 -9.737 < 0.001 ***
TreatsvsControl == 0 3.96667 0.34641 11.451 < 0.001 ***
T1vsC == 0 0.26667 0.10954 2.434 0.17428
T2vsC == 0 1.30000 0.10954 11.867 < 0.001 ***
T3vsC == 0 0.66667 0.10954 6.086 < 0.001 ***
T4vsC == 0 1.73333 0.10954 15.823 < 0.001 ***
一组治疗中的全局F检验示例
该示例具有由三种红酒和三种白葡萄酒组成的处理。我们将想知道红酒组中的处理是否对响应变量有影响。这种方法之所以具有优势，是因为仍可以在红酒中进行事后比较。
boxplot(Response ~ Treatment,
data = Data,
ylab="Response",
xlab="Treatment")
问题：红酒中有功效吗？
test(Test, joint=TRUE)
df1 df2 F p.value
2 12 24.3 0.0001
使用2个自由度进行了一次假设检验。这调查了
### 3组治疗的效果。
###结果与multcomp的结果基本相同
问题：白葡萄酒有效果吗？
test(Test, joint=TRUE)
df1 df2 F p.value
2 12 0.3 0.7462
两行对比
使用2个自由度进行了一次假设检验。本研究调查了
###一组3种治疗方法中的效果
###结果与multcomp的结果相同
问题：红葡萄酒和白葡萄酒之间有区别吗？而且，红酒的平均分离度
contrast estimate SE df t.ratio p.value
Red_vs_white 21 1.490712 12 14.087 <.0001
Merlot_vs_Cab -3 0.860663 12 -3.486 0.0179
Cab_vs_Syrah -3 0.860663 12 -3.486 0.0179
Syrah_vs_Merlot 6 0.860663 12 6.971 0.0001
请注意，p值是
由于调整方法不同，因此与multcomp 不同。
问题：红酒中有功效吗？
Global Test:
F DF1 DF2 Pr(>F)
1 24.3 2 12 6.029e-05
问题：白葡萄酒有效果吗？
Global Test:
F DF1 DF2 Pr(>F)
1 0.3 2 12 0.7462
问题：红葡萄酒和白葡萄酒之间有区别吗？
### Adjustment options: "none", "single-step", "Shaffer",
### "Westfall", "free", "holm", "hochberg",
### "hommel", "bonferroni", "BH", "BY", "fdr"
Linear Hypotheses:
Estimate Std. Error t value Pr(>|t|)
Red_vs_white == 0 21.0000 1.4907 14.087 <0.001 ***
Merlot_vs_Cab == 0 -3.0000 0.8607 -3.486 0.0157 *
Cab_vs_Syrah == 0 -3.0000 0.8607 -3.486 0.0156 *
Syrah_vs_Merlot == 0 6.0000 0.8607 6.971 <0.001 ***
(Adjusted p values reported -- single-step method)
###使用test = adjusted（“ none”），结果将与下面的aov方法相同。
aov内的对比测试
在方差分析中使用单自由度对比的另一种方法是在摘要 函数中使用split选项进行aov分析。
boxplot(Response ~ Treatment,
data = Data,
ylab="Response",
xlab="Treatment")
0.018
### Define contrasts
D1vsD2 = c(1, 1, -1, -1, 0)
C1vsC2 = c(1, -1, 1, -1, 0)
InteractionDC = c(1, -1, -1, 1, 0)
TreatsvsControl = c(1, 1, 1, 1, -4)
Df Sum Sq Mean Sq F value Pr(>F)
Treatment 4 6.189 1.547 85.963 1.06e-07 ***
Treatment: D1vsD2 1 0.521 0.521 28.935 0.00031 ***
Treatment: C1vsC2 1 3.307 3.307 183.750 9.21e-08 ***
Treatment: InteractionDC 1 0.001 0.001 0.046 0.83396
Treatment: TreatsvsControl 1 2.360 2.360 131.120 4.53e-07 ***
Residuals 10 0.180