我从广义最小二乘模型（寿命〜交配系统）产生了ANOVA，但无显着性（0.08）。但是，当我使用summary（）运行模型时，我可以看到每个系数（配合系统的类型）都很重要。
根据我所读的内容（多次），方差分析显示自变量是否可以用因变量显着解释。同时，回归模型将测试因变量如何随自变量水平的变化而变化。
但是，我感觉缺少了一些东西，因为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，以及方差分析中因变量的整体p值是什么意思测试手段。
我希望有人可以用相当普通的语言来解释我的结果。
答案 0 :(得分：1)
让我们说您使人们承受着不同程度的负担（low，medium，high），我们将其称为独立变量（在您的情况下与交配系统相同），并且您测量他们对某物的反应时间（rt），这将是因变量（您的情况下寿命）
因此在R中，您的模型看起来像rt ~ load
方差分析
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值是否相同？”
更正式地说，在假设检验中，您拥有所谓的零假设。在ANOVA情况下，原假设为mean(low) = mean(medium) = mean(high)，这是另一种说法，表示组均值都相等
方差分析测试是否可以拒绝零假设，这就是您的p值告诉您的。对于您的情况p = .08，您保留空值。您将得出结论，所有组的均值实际上是相等的
回归
回归的操作略有不同，这种不同导致结果有所不同。
在回归中具有分类变量时，R将创建虚拟变量。这是通过首先选择参考级别（假设low是参考）来实现的。然后创建2个虚拟变量，这会将您的其他每个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低与中和低与高
您会在回归模型的摘要中注意到您具有多个系数和多个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
让我们接受其中一个虚拟变量，例如，低变量与高变量一起使用。该假人具有相应的系数和p值。是什么意思？
系数告诉您rt从low组到high组的变化。 low，medium和high也是您的负载系数的“级别”。因此，“水平变化”是指从低到高-如果要发生，因变量（rt）的相应变化是什么？
通常，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
然后，p值告诉您该变化（或均值差）是否与0显着不同（即，低端和高端之间RT的变化量是否有意义？还是低端和高端组的均值相同？ RT？）
因此，总而言之，您可以看到方差分析和回归正在测试稍微不同的事物。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，可以测试所有水平的平等性因素