可以参考大师的网页 http://stat.sinica.edu.tw/~swcheng/course/stat5040/index.html p.4-13 x initial pressure f substance y decrease in pressure 主要是predictors共线性和anova函数处理的问题 > cor(x,f) [1] -0.1569098 如果是orthogonal 就没有共线的问题 他们有一点点关连，所以在fit的时候，互相帮忙解释一点 当某一个消失的时，sum sq.就会不同 > anova(lm(y~f+x)) Analysis of Variance Table Response: y Df Sum Sq Mean Sq F value Pr(>F) f 1 245.00 245.00 4.0393 0.0605980 . x 1 1490.08 1490.08 24.5668 0.0001200 *** Residuals 17 1031.12 60.65 > anova(lm(y~x+f)) Analysis of Variance Table Response: y Df Sum Sq Mean Sq F value Pr(>F) x 1 1272.16 1272.16 20.9740 0.0002663 *** f 1 462.92 462.92 7.6321 0.0133108 * Residuals 17 1031.12 60.65 x 和 f 解释的总合是一样的 245+1490.8=1272.16+462.92=1735.08 当然不管是上面那一个RSS(不用能x f解释的部分)是一样的 anova的算法是从我们给的大model下另找一个小model的 sum sq. RSS(I)-RSS(II)-->另一个predictor的sum sq. anova会"依序"来决定那一个要先消失 所以，fit的时候没有差别，但是做anova的时候会有差 (和factor 或continue没有关系) lm_y1=lm(y~x+f) lm_y2=lm(y~f) lm_y3=lm(y~x) 其实anova的工作是这样的 他再找一个更小的model 那个小model(就是y~x)来和这个model来比较 所以当顺序改变的时候 小model就变成了y~f 我们希望的anova是这样做: > anova(lm_y3,lm_y1) Analysis of Variance Table Model 1: y ~ x Model 2: y ~ x + f Res.Df RSS Df Sum of Sq F Pr(>F) 1 18 1494.04 2 17 1031.12 1 462.92 7.6321 0.01331 * 红色部分是我们想要的Sum Sq of f 下面的不是我们想要的sum Sq of x > anova(lm_y2,lm_y1) Analysis of Variance Table Model 1: y ~ f Model 2: y ~ x + f Res.Df RSS Df Sum of Sq F Pr(>F) 1 18 2521.2 2 17 1031.1 1 1490.1 24.567 0.0001200 *** 从1490.1来算f的话就会不对了 因为我们要的小model 是lm_y3而不是lm_y2 根据大师的解释大概就是这样了… 希望你们看得懂 不然就找水果小姐来翻译一下了 --

※ 发信站: 批踢踢实业坊(ptt.cc) ◆ From: 140.113.188.116