R 4.1.3版本下可用的Conover检验替代函数咨询

1. 优先使用PMCMRplus包 #

PMCMRplus包兼容R 4.1.3版本，可重新安装后使用对应函数替代旧版别名：

install.packages("PMCMRplus")
library(PMCMRplus)

针对不同实验设计的Conover检验函数：

• 独立样本（Kruskal-Wallis检验后两两比较）：kwAllPairsConoverTest()
• 配对/区组样本（Friedman检验后两两比较）：friedmanAllPairsConoverTest()（即你之前使用的frdAllPairsConoverTest的正式函数名，旧版别名已更新）

2. 用coin包灵活实现 #

coin包支持R 4.1.3，可通过pairwise_test()构建Conover检验逻辑，适配独立和配对样本：

install.packages("coin")
library(coin)

# 独立样本Kruskal-Wallis后两两Conover检验
pairwise_test(response ~ group, data = your_dataset,
              teststat = "max", distribution = approximate(B = 10000),
              alternative = "two.sided")

# 配对样本Friedman后两两Conover检验
pairwise_test(response ~ group | block_id, data = your_dataset,
              teststat = "max", distribution = approximate(B = 10000),
              alternative = "two.sided")

注：distribution = approximate(B = 10000)表示用10000次蒙特卡洛模拟计算p值，可按需调整次数。

3. 手动实现核心逻辑 #

若上述包无法满足需求，可基于秩检验原理手动计算，以独立样本为例：

# 示例数据
set.seed(123)
your_data <- data.frame(
  response = c(rnorm(20, 5), rnorm(20, 7), rnorm(20, 6)),
  group = rep(c("A", "B", "C"), each = 20)
)

# Kruskal-Wallis检验前置
kruskal.test(response ~ group, data = your_data)

# 计算各组秩均值与样本量
ranks <- rank(your_data$response)
rank_means <- tapply(ranks, your_data$group, mean)
n_groups <- tapply(ranks, your_data$group, length)
N_total <- length(ranks)

# 两两比较计算Conover统计量与p值
pair_comparisons <- combn(names(rank_means), 2)
conover_results <- apply(pair_comparisons, 2, function(pair) {
  mean_diff <- rank_means[pair[1]] - rank_means[pair[2]]
  se <- sqrt((N_total*(N_total + 1)/12) * (1/n_groups[pair[1]] + 1/n_groups[pair[2]]))
  z_stat <- mean_diff / se
  p_val <- 2 * pnorm(-abs(z_stat))
  data.frame(Group1 = pair[1], Group2 = pair[2], Z = z_stat, P_Value = p_val)
})

# 合并结果并校正p值（Bonferroni方法）
conover_results <- do.call(rbind, conover_results)
conover_results$Adj_P_Value <- p.adjust(conover_results$P_Value, method = "bonferroni")
print(conover_results)

内容的提问来源于stack exchange，提问作者Audrey