我从广义最小二乘模型（长寿 ~ 交配系统）生成了一个方差分析，它不显着 (0.08)。但是，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，ANOVA 显示自变量中的方差是否可以通过因变量显着解释。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 值的含义，以及 ANOVA 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外行的术语来解释我的结果。
【问题讨论】：
标签： statistics regression anova
假设您将人们置于不同级别的负载下（low、medium、high），我们将其称为自变量（与您的情况下的交配系统相同），然后您测量他们的反应时间（ rt) 到某个东西，这将是因变量（在你的情况下是长寿）
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、中和高组的平均 RT 值是否彼此相同？”
更正式地说，在假设检验中，您有所谓的零假设。在 ANOVA 案例中，原假设为：mean(low) = mean(medium) = mean(high)，这是组均值均相等的另一种说法
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。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
回归的运作方式略有不同，正是这种差异导致了结果的差异。
当您在回归中有一个分类变量时，虚拟变量由 R 创建。首先选择一个参考水平会发生这种情况（假设low 是参考）。然后创建 2 个虚拟变量，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 low vs. medium 和 low vs. 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
让我们取其中一个虚拟变量，例如，低与高的一个。该假人具有相应的系数和 p 值。它们是什么意思？
系数告诉您，如果您从 low 组转到 high 组，您应该期望 rt 发生什么变化。 low、medium 和 high 也是所谓的负载因子“级别”。所以“水平变化”是指从低到高——如果发生这种情况，因变量 (rt) 的相应变化是什么？
更一般地，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 RT 在低和高之间是否存在有意义的变化量？或者低和高组是否具有相同的均值反转录？）
因此，总而言之，您可以看到 ANOVA 和回归测试的事物略有不同。回归更有针对性，测试特定水平之间的差异，而综合 ANOVA 更广泛，测试因素的所有水平是否相等
【讨论】：