Nik*_*ik 2 statistics regression anova
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。
然而，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，以及方差分析测试中因变量的总体 p 值的含义。
我希望有人能用相当通俗的语言解释我的结果。
假设您将人们置于不同的负载水平（low、medium、high）下，我们将其称为自变量（与您的情况下的交配系统相同），然后测量他们的反应时间（rt对某些事物的反应时间（ ），这将是因变量（寿命）在你的情况下）
所以在 R 中，你的模型看起来像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，你有所谓的原假设。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。这是通过首先选择参考水平（可以说low是参考）来实现的。然后创建 2 个虚拟变量，将其他每个级别与参考进行对比。因此，您的 2 个虚拟变量正在比较低与中、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
让我们采用虚拟变量之一，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。他们的意思是什么？
该系数告诉您，rt如果您从一个low组转到另一个high组，您应该预期会发生什么变化。low，medium也是high所谓的负载因子“级别”。因此，“水平变化”是指从低到高——rt如果发生这种情况，因变量 ( ) 相应的变化是什么？
更一般地，您可以将此视为测试低组的平均值是否与高组的平均值相同
然后，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 RT 是否存在有意义的变化量？或者低组和高组是否具有相同的平均 RT？）
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