如何解读R中双向ANOVA检验结果？模型选择与检验原理问询

首先先明确你用到的R代码：

m1 <- lm(AmountSpent~Catalogs*Salary,data=d) 
summary(m1)
m2<-lm(AmountSpent~Catalogs+Salary,data=d)
summary(m2)

anova(m2,m1,test="Chisq")

1. 根据检验结果，哪个模型更优？ #

判断模型优劣的核心看anova(m2,m1,test="Chisq")的输出p值：

• 如果p值小于常用的显著性水平（比如0.05），说明加入Catalogs和Salary的交互项后，模型的拟合效果有显著提升，这时候m1（包含交互项的模型）更优，因为交互项确实能解释更多AmountSpent的变异。
• 如果p值大于0.05，说明交互项对模型拟合没有显著贡献，这时候我们更倾向选m2（仅含主效应的加性模型）——毕竟在拟合效果差不多的情况下，越简洁的模型越容易解释和推广，符合统计里的奥卡姆剃刀原则。

2. 在anova方法中传入模型的顺序是否重要？ #

非常重要！这里的anova()是做嵌套模型的似然比检验，要求你把简约模型（参数更少的模型）放在前面，复杂模型（参数更多的模型）放在后面。

• 你写的anova(m2,m1)是检验：在m2的基础上加入交互项（也就是升级到m1），是否能显著提升拟合效果。
• 如果反过来写成anova(m1,m2)，检验的逻辑就变成：从m1中去掉交互项（降级到m2），拟合效果的下降是否显著——虽然最终的p值是一样的，但输出的偏差差值、自由度变化的方向会反过来，解读的逻辑也会混乱。所以一定要严格按“简约在前，复杂在后”的顺序传参。

3. 该检验背后的统计概念 #

这里用到的是似然比检验（Likelihood Ratio Test, LRT），专门用来对比嵌套模型：

1. 嵌套模型定义：m2是嵌套在m1里的——m2的所有参数（Catalogs、Salary的主效应系数）都是m1参数的子集，m1比m2多了一个交互项的系数。
2. 检验逻辑：我们先假设“额外的参数（这里是交互项系数）等于0”（也就是简约模型m2已经足够好），然后计算两个模型的似然值：似然值衡量的是模型对现有数据的拟合程度，值越高拟合越好。
3. 统计量计算：把两个模型的-2对数似然值（-2LL）做差，这个差值在原假设下服从卡方分布，自由度等于两个模型的参数个数之差（这里是1，因为m1比m2多1个交互项参数）。
4. 决策依据：如果这个卡方统计量对应的p值很小，就拒绝原假设，说明复杂模型m1的拟合显著优于m2；如果p值大，就接受原假设，认为m2已经足够拟合数据，没必要用更复杂的m1。

内容的提问来源于stack exchange，提问作者Venkata Naga Ravi Teja Lanka