在R中检验线性假设：推理正确性及流程解析

在含分类变量与交互项的析因模型中检验线性假设时，从业者常因参考水平的设置遇到困难。部分从业者会用relevel()或factor()函数重新设定参考水平，再重新运行模型，从新模型的摘要结果中推断特定组间差异——这种方法虽然直观易懂，但并非最优方案。另一方面，car包的linearHypothesis()函数和brms包的hypothesis()函数是更高效的工具，但仍有不少从业者因对其使用逻辑不熟悉而避而不用。

示例数据集 #

以下是用于演示的模拟数据集生成代码：

# 均匀生成均值
m = runif(8, 3, 12)

# 生成带随机均值、相同标准差的随机值
y = list()
for (i in 1:8) {
    y[[i]] = rnorm(50, m[i], 0.75)
}
y = unlist(y)

# 析因设计
F1 = c(rep('a', 50), rep('b', 50))
F2 = c('m', 'n')
F3 = c('x', 'y')
design_matrix = expand.grid(F1=F1, F2=F2, F3=F3)

# 数据集
dat = cbind(design_matrix, y)

贝叶斯框架（brms）的检验实现 #

首先用brms拟合模型：

library(brms)

summary(brm_model <- brm(y ~
    (F1 + F2) * F3,
    data = dat,
    chains=1, iter=800)) # 快速收敛

为检验F1=b在F3的x与y条件下的差异，当前采用的显式检验代码如下：

hy1 = '(Intercept+F1b) < (Intercept+F1b:F3y)'
hypothesis(brm_model, hy1)

对应的推理逻辑：模型的估计值均是相对于截距（Intercept）的偏移量，高阶交互项也是对参考水平的直接调整，因此不需要额外添加低阶主效应（比如错误的写法(Intercept+F3y+F1b:F3y)）。

频率论框架（lm+car）的检验实现 #

频率论框架下的等效模型拟合代码：

summary(lm_model <- lm(y ~
    (F1 + F2) * F3,
    data = dat))

对应的线性假设检验代码：

library(car)

linearHypothesis(lm_model, c(0,-1,0,0,1,0))

对应的推理逻辑：由于对比的两侧都需要加上截距项，截距的系数会相互抵消（-1+1=0），因此检验向量的第一个元素设为0。

核心疑问 #

上述推理逻辑是否正确？在此类情境下，应如何解释组间比较与线性假设检验的完整流程？

内容的提问来源于stack exchange，提问作者striatum