我完全懂你搜了一小时的那种纠结——统计术语的不一致真的太坑人了！先给你吃个定心丸：**缩减主轴回归（reduced major axis regression）和范围主轴回归（ranged major axis regression）**其实就是同一个分析方法，只是不同领域的研究者给它起了不同的名字而已。

这种术语差异在统计领域挺常见的，尤其是跨学科应用时：

• 在生态学、地质学这类常处理双变量测量误差的学科里，习惯叫“缩减主轴回归”；
• 而在统计工具包（比如你提到的lmodel2）或部分教材中，会用“范围主轴回归”的称呼，但本质都是用来解决自变量和因变量都存在误差的回归场景，和仅考虑因变量误差的普通最小二乘回归做区分。

用lmodel2实现缩减主轴回归并计算p值 #

既然你已经定位到lmodel2包，直接用它的RMA方法就行，这就是你要的缩减主轴回归。关于p值，包本身提供了参数检验结果，也支持置换检验来获取更稳健的显著性水平：

# 安装并加载lmodel2包
install.packages("lmodel2")
library(lmodel2)

# 示例数据（你可以替换成自己的数据集）
set.seed(123)
x <- rnorm(50, mean = 10, sd = 2)
y <- 0.8*x + rnorm(50, mean = 0, sd = 1.5)

# 运行缩减主轴（即RMA）回归
rma_model <- lmodel2(y ~ x, method = "RMA")

# 查看包含p值的结果汇总
summary(rma_model)

# 如需置换检验的p值，添加perm.test参数
rma_model_perm <- lmodel2(y ~ x, method = "RMA", perm.test = 1000)
summary(rma_model_perm)

查看结果时，RMA regression coefficients板块就是缩减主轴的回归系数，参数检验的p值会在结果表格里呈现；置换检验版本则会额外给出基于随机置换的显著性判断。

你之前的推测完全正确，不用再为术语差异纠结啦，直接用这个方法就能得到你需要的结果~

内容的提问来源于stack exchange，提问作者Ed Rowe