statistics - 方差分析不显着，但系数变量显着？

Question

我根据广义最小二乘模型(长寿~交配系统)生成了方差分析，结果不显着(0.08)。然而，当我使用summary()运行模型时，我可以看到每个系数(交配系统的类型)都很重要。

根据我(多次)阅读的内容，方差分析显示自变量的方差是否可以通过因变量来显着解释。回归模型将测试因变量如何随着自变量水平的变化而变化。

但是，我觉得我错过了一些东西，因为我不确定我是否完全理解因变量的单个水平的 p 值的含义，以及方差分析中因变量的总体 p 值是什么测试手段。

我希望有人能用相当通俗的语言解释我的结果。

Answer 1

假设您将人们置于不同的负载级别(低、中、高)，我们将其称为自变量(与您的情况下的交配系统相同)，然后您测量它们对某些事物的 react 时间(rt)，这将是因变量(您的情况下的生命周期)

因此，在 R 中，您的模型将类似于 rt ~ load

方差分析

当您运行单向方差分析时，您要测试的问题是“低、中和高组中的平均 RT 值是否彼此相同？”

更正式地说，在假设检验中，您有所谓的原假设。在方差分析情况下，原假设为:mean(low) =mean(medium)=mean(high)，这是组均值相等的另一种说法

方差分析测试是否可以拒绝原假设，这就是您的 p 值告诉您的信息。在您的情况下，p = .08，您保留 null。您会得出结论，所有组的均值实际上是相等的

回归

回归的运作方式略有不同，正是这种差异导致了结果的差异。

当回归中有分类变量时，R 将创建虚拟变量。这是通过首先选择引用水平(假设 low 是引用)来实现的。然后创建 2 个虚拟变量，将其他每个级别与引用进行对比。因此，您的 2 个虚拟变量正在比较低与中和低与高

您会在回归模型的摘要中注意到有多个系数和多个 p 值。 这些系数适用于每个虚拟变量

您在原始帖子中提到了级别的概念:“回归模型将测试因变量如何随着级别的变化而变化”。这就是这个想法发挥作用的地方

让我们采用一个虚拟变量，例如，低与高的虚拟变量。该虚拟变量具有相应的系数和 p 值。它们是什么意思？

该系数告诉您，如果您从低组转到高组，您应该预期rt会发生什么变化。 低、中和高也是负载因子的“级别”。因此，“水平变化”是指从低到高 - 如果发生这种情况，因变量 (rt) 的相应变化是什么？

更一般地，您可以将其视为测试低组的平均值是否与高组的平均值相同

p 值会告诉您该变化(或平均差异)是否与 0 显着不同(即，低组和高组之间的 RT 变化量是否有意义？或者低组和高组的均值是否相同)转发？)

总而言之，您可以看到方差分析和回归测试的东西略有不同。回归更有针对性，可以测试特定水平之间的差异，而综合方差分析则更广泛，可以测试所有水平因素的平等性