Question

我经常使用线性回归来测试组间的平均值是否有差异，通过对我的分类变量进行虚拟编码，我认为这与使用ANOVA基本相同（或者至少得到相同的结果）。我在R中使用了lm（）函数来执行此操作。

以前，如果我的数据不符合线性回归的假设，我就会使用数据转换。有时这种方法效果更好，有时也不太好。就我而言，我可以使用广义线性模型来比较数据的组均值。泊松或负二项分布，无需转换数据。

问题是，当我拟合模型并获得模型摘要（在R中使用glm（）函数）时，我没有看到完整模型的p值 - 我在模型的最后一行得到当我使用lm（）函数拟合线性模型时的摘要。模型摘要 - 当使用glm（）时 - 只给出每个系数的p和Z值，我可以用它们进行成对比较。

为什么我想获得完整模型的p值的主要思想是我可以使用glm（）代替ANOVA来处理不符合其假设的数据。

非常感谢所有帮助！

Answer 1

我认为这是您感兴趣的内容：

counts <- c(18,17,15,20,10,20,25,13,12)
outcome <- gl(3,1,9)
treatment <- gl(3,3)

# fit the model of interest
glm.D93 <- glm(counts ~ outcome + treatment, family = poisson())

# fit the a NULL model
glm.NULL <- glm(counts ~ 1, family = poisson())

# compare the model of interest to the null model
anova(glm.D93,glm.NULL,test = "F")

你可以看到同样的东西适用于线性模型：

# fit the model of interest
lm.D93 <- lm(counts ~ outcome + treatment)

# fit the a NULL model
lm.NULL <- lm(counts ~ 1)

anova(lm.D93,lm.NULL,test = "F")
#> Analysis of Variance Table
#> ...
#>   Res.Df     RSS Df Sum of Sq     F  Pr(>F)
#> 1      4  83.333  
#> 2      8 176.000 -4   -92.667 1.112  0.4603

summary(lm.D93)

#> Residual standard error: 4.564 on 4 degrees of freedom
#> Multiple R-squared:  0.5265,    Adjusted R-squared:  0.05303 
#> F-statistic: 1.112 on 4 and 4 DF,  p-value: 0.4603

使用广义线性模型比较R中的群平均值

1 个答案: