R中三因素ANCOVA分析为何需同时运行summary()与summary.aov()

你用lm()拟合的ANCOVA属于线性模型范畴，这两个函数针对同一模型从两个完全不同的维度输出结果，信息完全互补、不存在冗余，必须结合使用才能拿到完整的分析结论，具体差异如下：

• summary(model)默认调用summary.lm()方法，输出回归系数层面的细节结果：
  • 包含截距、中心化协变量、各分类因子主效应、所有交互项的回归系数估计值、标准误、t检验值、逐系数的显著性结果
  • 同时给出模型整体拟合指标：R²、调整R²、残差标准误、模型整体F检验结果
  • 对你的三因素ANCOVA来说，这部分结果可以直接读出协变量的回归斜率、各效应的作用方向、不同因子水平相对于参照组的差异大小，是后续解释效应实际意义、做事后多重比较的基础依据
  • 需要注意：这里的分类因子显著性是基于R默认的处理对照计算的，仅代表某一水平相对于参照水平的差异是否显著，不能代表整个因子或者整个交互项的整体效应是否显著。
• summary.aov(model)输出的是方差分解层面的ANCOVA标准方差分析表结果：
  • 它会按照模型公式里的项的输入顺序，依次计算每个预测项（中心化协变量、三个分类预测变量的主效应、三个二阶交互项、一个三阶交互项）独立解释的平方和、自由度、均方、F检验值和对应p值，也就是撰写报告时需要的“协变量效应是否显著、某因子主效应是否显著、某阶交互是否显著”的整体检验结果
  • 这部分信息是summary(model)完全不提供的：你没法从逐系数的t检验结果直接推导某一个多水平分类因子的整体效应显著性，也没法直接拿到交互项的整体方差解释检验结果。

补充提示：默认的summary.aov()计算的是Ⅰ型（序贯）平方和，你把协变量放在公式最前端的写法刚好匹配ANCOVA“先控制协变量变异，再检验分类因子效应”的逻辑，结果是可用的。如果需要报告学界常用的Ⅲ型平方和结果，需要提前把全局因子对照设置为contr.sum，再对应方法计算即可。

两个函数必须搭配使用的原因 #

ANCOVA的报告要求两类信息缺一不可：

1. 你需要summary.aov()输出的方差分析表，明确各个效应项的整体显著性，搭建整个分析结果的核心框架
2. 你需要summary(model)输出的系数结果，解读显著效应的具体方向、差异幅度，不能只报方差分析表的p值而不说明效应的实际大小

如果只运行其中一个，结果会有明显缺失：只跑summary.aov()你不知道显著的高阶交互到底是哪几组之间存在差异，只跑summary(model)很容易把单个因子水平相对于参照组的显著性，误判成整个因子的整体显著，得出错误结论。

内容的提问来源于stack exchange，提问作者E10