Veronderstel dat de onderzoekers over het gemiddelde dosiseffect voor elke vissoort alsook over het marginale dosiseffect wensten te rapporteren met 95% betrouwbaarheidsintervallen.
De effecten van interesse zijn opnieuw lineaire combinaties van modelparameters, ook lineaire contrasten genoemd. Het dosis effect voor de verschillende vissoorten is: \(\begin{array}{ll} \text{dojovis:}&\beta_d\\ \text{goudvis:}&\beta_d+ \beta_{d:sg}\\ \text{zebravis:}&\beta_d+ \beta_{d:sz}\\ \end{array}\)
We kunnen dan ook alle contrasten van interesse evalueren en hierbij corrigeren voor multiple testing.
lmIntGlht <- glht(lmInt,
linfct = c("dosis = 0",
"dosis+soort1:dosis = 0",
"dosis+soort2:dosis = 0",
"dosis+38/96*soort1:dosis + 19/96*soort2:dosis = 0")
)
confint(lmIntGlht)
# Simultaneous Confidence Intervals
#
# Fit: lm(formula = log2minsurv ~ soort + dosis + gewicht + soort:dosis +
# soort:gewicht, data = poison)
#
# Quantile = 2.4981
# 95% family-wise confidence level
#
#
# Linear Hypotheses:
# Estimate lwr upr
# dosis == 0 -0.95903 -1.43009 -0.48797
# dosis + soort1:dosis == 0 -0.79011 -1.30896 -0.27126
# dosis + soort2:dosis == 0 -0.70500 -1.34104 -0.06896
# dosis + 38/96 * soort1:dosis + 19/96 * soort2:dosis == 0 -0.84189 -1.14954 -0.53424
Door middel van contrasten kunnen we dus over meerdere gemiddelden rapporteren en kunnen we hierbij ook corrigeren voor multiple testing.