方差分析不显着但系数变量显着？
ANOVA is not significant but coefficient variables are significant?
我从广义最小二乘模型（长寿 ~ 交配系统）生成了方差分析，结果不显着 (0.08)。然而，当我 运行 带有 summary() 的模型时，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，方差分析表明自变量的方差是否可以由因变量显着解释。而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，我觉得我遗漏了一些东西，因为我不确定我是否完全理解因变量的单个水平的 p 值是什么意思，以及因变量的总体 p 值是什么在 ANOVA 测试中。
我希望有人能用通俗易懂的术语解释我的结果。
假设你让人们处于不同的负载水平（low、medium、high），我们将其称为你的自变量（与你的情况下的交配系统相同） ) 然后你测量他们对某物的反应时间 (rt)，这将是因变量（在你的情况下是长寿）
所以在 R 中，您的模型看起来像 rt ~ load
方差分析
当你运行单向方差分析时，你要测试的问题是"are the mean RT values in the low, medium, and high groups the same as each other?"
更正式地说，在假设检验中，您有所谓的原假设。在方差分析的情况下，零假设是：mean(low) = mean(medium) = mean(high)，这是组均值都相等的另一种说法
ANOVA 测试是否可以拒绝零假设，这就是您的 p 值告诉您的内容。在您的情况下，p = .08，您保留空值。您会得出结论，所有组的均值实际上是相等的
回归
回归操作略有不同，正是这种差异导致了结果的差异。
当你在回归中有一个分类变量时，虚拟变量由 R 创建。这是通过首先选择一个参考水平来实现的（假设 low 是参考）。然后创建 2 个虚拟变量，将您的每个其他级别与您的参考进行对比。因此，您的 2 个虚拟变量正在比较 low 与 medium 和 low 与 high
您会在回归模型的摘要中注意到您有多个系数和多个 p 值。 这些系数适用于您的每个虚拟变量
您在原来的 post 中提到了级别的概念："regression model will test how the dependent variable changes with a change in the levels"。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。它们是什么意思？
系数告诉您如果从 low 组转到 high 组，您应该期望 rt 发生什么变化。 low、medium、high也就是所谓的负载率"levels"。所以 "change in levels" 指的是从低到高 - 如果发生这种情况，因变量 (rt) 的相应变化是什么？
更一般地说，您可以将此视为测试低组的均值是否与高组的均值相同
然后 p 值告诉您该变化（或平均差异）是否与 0 有显着差异（即低和高之间的 RT 变化量是否有意义？或者低组和高组是否具有相同的平均 RT？）
所以总而言之，您可以看到方差分析和回归测试的内容略有不同。回归更有针对性并测试特定级别之间的差异，而综合方差分析更广泛并测试所有级别的因素是否相等
我从广义最小二乘模型（长寿 ~ 交配系统）生成了方差分析，结果不显着 (0.08)。然而，当我 运行 带有 summary() 的模型时，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，方差分析表明自变量的方差是否可以由因变量显着解释。而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，我觉得我遗漏了一些东西，因为我不确定我是否完全理解因变量的单个水平的 p 值是什么意思，以及因变量的总体 p 值是什么在 ANOVA 测试中。
我希望有人能用通俗易懂的术语解释我的结果。
假设你让人们处于不同的负载水平（low、medium、high），我们将其称为你的自变量（与你的情况下的交配系统相同） ) 然后你测量他们对某物的反应时间 (rt)，这将是因变量（在你的情况下是长寿）
所以在 R 中，您的模型看起来像 rt ~ load
方差分析
当你运行单向方差分析时，你要测试的问题是"are the mean RT values in the low, medium, and high groups the same as each other?"
更正式地说，在假设检验中，您有所谓的原假设。在方差分析的情况下，零假设是：mean(low) = mean(medium) = mean(high)，这是组均值都相等的另一种说法
ANOVA 测试是否可以拒绝零假设，这就是您的 p 值告诉您的内容。在您的情况下，p = .08，您保留空值。您会得出结论，所有组的均值实际上是相等的
回归
回归操作略有不同，正是这种差异导致了结果的差异。
当你在回归中有一个分类变量时，虚拟变量由 R 创建。这是通过首先选择一个参考水平来实现的（假设 low 是参考）。然后创建 2 个虚拟变量，将您的每个其他级别与您的参考进行对比。因此，您的 2 个虚拟变量正在比较 low 与 medium 和 low 与 high
您会在回归模型的摘要中注意到您有多个系数和多个 p 值。 这些系数适用于您的每个虚拟变量
您在原来的 post 中提到了级别的概念："regression model will test how the dependent variable changes with a change in the levels"。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。它们是什么意思？
系数告诉您如果从 low 组转到 high 组，您应该期望 rt 发生什么变化。 low、medium、high也就是所谓的负载率"levels"。所以 "change in levels" 指的是从低到高 - 如果发生这种情况，因变量 (rt) 的相应变化是什么？
更一般地说，您可以将此视为测试低组的均值是否与高组的均值相同
然后 p 值告诉您该变化（或平均差异）是否与 0 有显着差异（即低和高之间的 RT 变化量是否有意义？或者低组和高组是否具有相同的平均 RT？）
所以总而言之，您可以看到方差分析和回归测试的内容略有不同。回归更有针对性并测试特定级别之间的差异，而综合方差分析更广泛并测试所有级别的因素是否相等