多因素场景下emmeans中对照组与处理组的自定义比较问题

我完全理解你遇到的这个痛点——当对照组是多个变量的特定组合（比如pigs数据集中source="fish"且percent=9的组合）时，默认的trt.vs.ctrl方法没法自动识别我们想要的唯一对照，反而会把所有因子组合都纳入比较逻辑，导致p值校正出现偏差。

针对这个问题，我们可以从两个方向入手解决：

思路1：手动指定需要比较的组合（推荐） #

既然我们的目标是让所有其他饮食组合都和fish+9%这个特定组合对比，最直接的方式是先筛选出需要保留的组合，再通过include参数告诉emmeans只对这些组合执行trt.vs.ctrl比较。

你已经找到了正确的方向，下面是完整的可复用代码，我再梳理一下逻辑：

library(emmeans)
library(dplyr)
library(tidyr)

# 1. 拟合主效应模型（无交互项）
pigs.lm <- lm(log(conc) ~ source + factor(percent), data = pigs)

# 2. 定义需要计算边际均值的组合：保留fish+9%，以及其他source的所有percent
nd <- expand.grid(source = levels(pigs$source), percent = unique(pigs$percent)) %>% 
  filter(percent == 9 | source != "fish")

# 3. 先生成所有候选的边际均值，用于筛选需要保留的组合
ems <- emmeans(pigs.lm, trt.vs.ctrl ~ source + percent, data = nd, 
               covnest = TRUE, cov.reduce = FALSE)

# 4. 筛选目标组合：保留fish+9%（这里对应第1行），以及所有非fish的source组合
aux <- as.data.frame(ems[[1]]) %>% 
  mutate(ID = 1:n()) %>% 
  filter(!grepl("fish", source) | ID == 1)

# 5. 用include参数指定这些组合，执行正确的trt.vs.ctrl比较
emmeans(pigs.lm, trt.vs.ctrl ~ source + percent, data = nd, 
        covnest = TRUE, cov.reduce = FALSE, include = aux$ID)

这个方法的核心是先明确我们要比较的所有组合，排除掉不需要的干扰项，让emmeans只针对我们指定的组合做以fish+9%为基准的Dunnett校正，确保p值计算准确。

思路2：手动执行Dunnett校正 #

如果不想用include参数，也可以先获取未校正的p值，再手动用Dunnett方法校正：

# 生成所有目标组合的边际均值
emm_obj <- emmeans(pigs.lm, ~ source + percent, data = nd, 
                   covnest = TRUE, cov.reduce = FALSE)

# 自定义对比矩阵：所有组合 vs fish+9%
contrast_matrix <- list(
  soy_9 = c(-1, 1, 0, 0, 0, 0, 0),
  soy_12 = c(-1, 0, 1, 0, 0, 0, 0),
  soy_15 = c(-1, 0, 0, 1, 0, 0, 0),
  skim_9 = c(-1, 0, 0, 0, 1, 0, 0),
  skim_12 = c(-1, 0, 0, 0, 0, 1, 0),
  skim_15 = c(-1, 0, 0, 0, 0, 0, 1)
)

# 执行未校正的对比
unadjusted <- contrast(emm_obj, contrast_matrix, adjust = "none")

# 手动应用Dunnett校正（需要multcomp包支持）
library(multcomp)
adjusted_p <- p.adjust(unadjusted$p.value, method = "dunnettx")

# 整理最终结果
result <- unadjusted %>% 
  as.data.frame() %>% 
  mutate(adjusted_p = adjusted_p)

不过这种方法需要手动构建对比矩阵，当组合数量多的时候会比较繁琐，所以还是推荐第一种思路。

内容的提问来源于stack exchange，提问作者user2602640