你提到的默认contr.treatment对比只展示了处理组和对照组的差异，但完全可以通过几种方式得到所有类别间的两两比较，不管是用基础的lm还是limma包的lmFit，下面给你几种实用方案：

方法1：用emmeans包（最直观推荐） #

emmeans包专门用于计算边际均值并进行组间比较，能一键生成所有两两对比的结果，还自动处理多重比较校正：

# 先安装并加载包（首次使用需要安装）
install.packages("emmeans")
library(emmeans)

# 对已拟合的lm模型m做两两比较
emm_results <- emmeans(m, pairwise ~ f)
# 查看完整结果
emm_results

运行后会输出两部分内容：

• 第一部分是各组的边际均值估计
• 第二部分就是所有两两对比的结果：control vs low、control vs high、low vs high，包含差值估计、标准误、t值和校正后的p值，非常清晰。

方法2：用multcomp包做多重比较检验 #

multcomp包适合处理复杂的假设检验，用Tukey方法可以直接生成所有组间的两两比较：

install.packages("multcomp")
library(multcomp)

# 基于lm模型生成Tukey多重比较
tukey_test <- glht(m, linfct = mcp(f = "Tukey"))
# 查看检验结果
summary(tukey_test)
# 查看置信区间
confint(tukey_test)

这个方法会输出经过多重比较校正的p值和置信区间，适合需要严谨统计推断的场景。

方法3：手动计算对比（理解原理用） #

如果你想搞清楚背后的计算逻辑，可以手动基于模型的系数和方差矩阵计算high vs low的差异：

# 提取模型系数和方差-协方差矩阵
model_coef <- coef(m)
model_vcov <- vcov(m)

# 计算high与low的差值：high的系数 - low的系数
diff_est <- model_coef["fhigh"] - model_coef["flow"]
# 计算差值的标准误
se_diff <- sqrt(model_vcov["fhigh", "fhigh"] + model_vcov["flow", "flow"] - 2*model_vcov["fhigh", "flow"])
# 计算t值和p值
t_stat <- diff_est / se_diff
p_val <- 2 * pt(abs(t_stat), df = df.residual(m), lower.tail = FALSE)

# 输出结果
cat("high vs low 差值估计：", round(diff_est, 4), "\n")
cat("标准误：", round(se_diff, 4), "\n")
cat("t值：", round(t_stat, 4), "\n")
cat("p值：", round(p_val, 4), "\n")

这个结果和前面两个包的输出完全一致，适合学习线性模型中对比的计算原理。

方法4：针对lmFit（limma包）的解决方案 #

如果你用的是limma包的lmFit，可以通过定义对比矩阵来获取所有组间比较：

library(limma)

# 先拟合lmFit模型
design_matrix <- model.matrix(~f)
fit <- lmFit(y, design_matrix)
fit <- eBayes(fit)

# 定义所有两两对比的矩阵
contrast_mat <- makeContrasts(
  low_vs_control = flow,
  high_vs_control = fhigh,
  high_vs_low = fhigh - flow,
  levels = design_matrix
)

# 应用对比并检验
fit_contrast <- contrasts.fit(fit, contrast_mat)
fit_contrast <- eBayes(fit_contrast)

# 查看所有对比结果
topTable(fit_contrast, coef = 1:3)

这样就能一次性得到所有三组对比的统计量和校正后的p值，适合转录组分析等常用limma的场景。

小补充：调整默认对比（可选） #

如果你想改变默认的参考组，也可以手动设置对比矩阵，比如把low设为参考组：

# 设置low为参考组
contrasts(f) <- contr.treatment(3, base = 2)
# 重新拟合模型
m_ref_low <- lm(y ~ f)
summary(m_ref_low)

此时模型系数会显示control vs low和high vs low的差异，但这种方法只能一次看两组对比，不如前面的方法高效。

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