Odpowiedzi:
summary(aov)
wykorzystuje tak zwane sumy kwadratów typu I (sekwencyjne). summary(lm)
wykorzystuje tak zwane sumy kwadratów typu III, które nie są sekwencyjne. Szczegółowe informacje można znaleźć w odpowiedzi Gunga .
Pamiętaj, że musisz zadzwonić lm(data ~ factor(f1) * factor(2))
( aov()
automatycznie konwertuje RHS formuły na czynniki). Następnie zwróć uwagę na mianownik ogólnej statystyki w regresji liniowej ( dalsze wyjaśnienia znajdują się w tej odpowiedzi ):
różni się dla każdej badanej współczynnika ponieważ wektor zmienia. Natomiast mianownik w teście ANOVA to zawsze MSE.
set.seed(10)
data=rnorm(12)
f1=rep(c(1,2),6)
f2=c(rep(1,6),rep(2,6))
summary(aov(data~f1*f2))
Df Sum Sq Mean Sq F value Pr(>F)
f1 1 0.535 0.5347 0.597 0.462
f2 1 0.002 0.0018 0.002 0.966
f1:f2 1 0.121 0.1208 0.135 0.723
Residuals 8 7.169 0.8962
summary(lm(data~f1*f2))$coeff
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.05222024 2.732756 0.0191090 0.9852221
f1 -0.17992329 1.728346 -0.1041014 0.9196514
f2 -0.62637109 1.728346 -0.3624106 0.7264325
f1:f2 0.40139439 1.093102 0.3672066 0.7229887
Są to dwa różne kody. z modelu Lm potrzebujesz współczynników. podczas gdy z modelu aov po prostu zestawiasz źródła zmienności. Wypróbuj kod
anova(lm(data~f1*f2))
Analysis of Variance Table
Response: data
Df Sum Sq Mean Sq F value Pr(>F)
f1 1 0.5347 0.53468 0.5966 0.4621
f2 1 0.0018 0.00177 0.0020 0.9657
f1:f2 1 0.1208 0.12084 0.1348 0.7230
Residuals 8 7.1692 0.89615
Daje to tabelaryczne źródła zmienności prowadzące do tych samych wyników.
f1
i f2
różnią się w dwóch podsumowaniach górnego panelu. Wygląda na to, że są tylko pokazując summary(aov(...))
i anova(lm(...))
w R
mają podobną wydajność.
lm
podaje, podczas gdy Typ II / III nie. Jest to wyjaśnione dość szczegółowo w odpowiedzi na @ gung, z którą prowadziłeś link.