如何对lm、lmer对象调用anova()做显著性检验并尊重变量对比编码设置

核心差异说明 #

这个现象本质是检验原假设不同和平方和计算类型不同导致的，以下针对三个问题逐一解答：

问题1：从概念层面，为什么anova()不遵循指定的变量编码？ #

summary()和anova()的检验逻辑完全不同：

• summary()的系数检验是针对每个回归系数的t检验，每个系数直接对应你为因子预设的对比规则，自然会遵循你设置的编码，检验的是「你指定的这个特定对比的效应是否为0」。
• 基础R自带的anova(lm对象)使用I型（顺序）平方和，检验逻辑是按模型公式里变量的输入顺序，依次计算「在前面所有变量已经加入模型的前提下，加入当前变量能额外解释的方差量」，它检验的是整个变量的整体效应是否显著，和你为因子设置的对比编码完全无关，自然不会遵循你指定的编码。
• 如果是lmerTest包的anova(lmer对象)，默认使用III型平方和，检验的是「校正了模型中所有其他变量（包括交互项）后的主效应/交互效应」，这种检验只有在因子使用正交编码（比如sum编码）时才有实际意义，所以它会默认适配正交编码的检验逻辑，忽略你自定义的非正交编码（比如处理编码），这就是你例子里lmer的anova结果和sum编码的summary结果一致的原因。

问题2：调用lm对象的anova()时实际使用的是哪种变量编码？ #

分两种情况：

• 如果你用的是基础R自带的anova()函数：它本身不依赖任何因子编码，不需要调用你设置的对比矩阵，所以不对应任何自定义编码，检验结果仅和模型变量的输入顺序有关。
• 如果你用的是car::Anova(type=3)做III型平方和检验：它默认适配正交编码（如sum编码）的检验逻辑，和lmerTest的anova行为一致。

问题3：如何对lm对象执行符合自定义编码的显著性检验？ #

推荐使用car包的linearHypothesis()函数实现，支持df=1的单个对比检验和df>1的多对比联合检验，完全匹配你指定的编码规则：

示例1：检验df=1的单个系数（对应你例子里的Petal.Length检验）

library(car)
# 对处理编码的iris lm模型检验Petal.Length的效应
res <- linearHypothesis(iris.lm.treatment, "Petal.Length = 0")
# 提取p值，和summary输出的0.0519完全一致
res$`Pr(>F)`[2]

示例2：检验df>1的多对比联合显著性

比如要检验处理编码下Species的两个水平（vs参考水平）的效应联合是否为0：

# 检验两个Species系数同时为0，自由度为2
res <- linearHypothesis(iris.lm.treatment, c("Species2 = 0", "Species3 = 0"))
res$`Pr(>F)`[2]

如果你偏好multcomp包的glht()，也可以用如下写法实现同样效果：

library(multcomp)
# 检验单个系数
summary(glht(iris.lm.treatment, linfct = c("Petal.Length = 0")))
# 检验多个系数联合
summary(glht(iris.lm.treatment, linfct = c("Species2 = 0", "Species3 = 0")))

内容的提问来源于stack exchange，提问作者Dan K.