Quand dois-je utiliser aov () et quand anova ()?

Question

J'ai fait référence à une grande partie de la littérature en ligne, mais cela augmente ma confusion. Une grande partie de la discussion est trop technique avec des termes conceptions déséquilibrées et ANOVA facteur I, II ou III et tout.

Je sais seulement que aov() utilise lm() en interne et est utile pour les données avec des facteurs. Alors que anova() peut être utilisé pour différents modèles sur le même ensemble de données. Ma compréhension est-elle correcte?

李哲源 · Accepted Answer

anova est sensiblement différent de aov. Pourquoi ne pas lire la documentation de R ?aov et ?anova? En bref:

aov s'adapte à un modèle (comme vous le savez déjà, il appelle en interne lm), donc il produit des coefficients de régression, des valeurs ajustées, des résidus, etc; Il produit un objet de classe primaire "aov" mais aussi une classe secondaire "lm". Il s'agit donc d'une augmentation d'un objet "lm".
anova est une fonction générique. Dans votre scénario, vous faites référence à anova.lm ou anova.lmlist (lis ?anova.lm pour plus d'informations). Le premier analyse un modèle ajusté (produit par lm ou aov), tandis que le second analyse plusieurs modèles ajustés imbriqués (de plus en plus grands) (par lm ou aov). Ils visent tous deux à produire une table ANOVA de type I (séquentielle).

En pratique, vous utilisez d'abord lm/aov pour ajuster un modèle, puis utilisez anova pour analyser le résultat. Il n'y a rien de mieux que d'essayer un petit exemple:

fit <- aov(sr ~ ., data = LifeCycleSavings) ## can also use `lm` z <- anova(fit)

Maintenant, jetez un œil à leur structure. aov renvoie un gros objet:

str(fit) #List of 12 # $ coefficients : Named num [1:5] 28.566087 -0.461193 -1.691498 -0.000337 0.409695 # ..- attr(*, "names")= chr [1:5] "(Intercept)" "pop15" "pop75" "dpi" ... # $ residuals : Named num [1:50] 0.864 0.616 2.219 -0.698 3.553 ... # ..- attr(*, "names")= chr [1:50] "Australia" "Austria" "Belgium" "Bolivia" ... # $ effects : Named num [1:50] -68.38 -14.29 7.3 -3.52 -7.94 ... # ..- attr(*, "names")= chr [1:50] "(Intercept)" "pop15" "pop75" "dpi" ... # $ rank : int 5 # $ fitted.values: Named num [1:50] 10.57 11.45 10.95 6.45 9.33 ... # ..- attr(*, "names")= chr [1:50] "Australia" "Austria" "Belgium" "Bolivia" ... # $ assign : int [1:5] 0 1 2 3 4 # $ qr :List of 5 # ..$ qr : num [1:50, 1:5] -7.071 0.141 0.141 0.141 0.141 ... # .. ..- attr(*, "dimnames")=List of 2 # .. .. ..$ : chr [1:50] "Australia" "Austria" "Belgium" "Bolivia" ... # .. .. ..$ : chr [1:5] "(Intercept)" "pop15" "pop75" "dpi" ... # .. ..- attr(*, "assign")= int [1:5] 0 1 2 3 4 # ..$ qraux: num [1:5] 1.14 1.17 1.16 1.15 1.05 # ..$ pivot: int [1:5] 1 2 3 4 5 # ..$ tol : num 1e-07 # ..$ rank : int 5 # ..- attr(*, "class")= chr "qr" # $ df.residual : int 45 # $ xlevels : Named list() # $ call : language aov(formula = sr ~ ., data = LifeCycleSavings) # $ terms :Classes 'terms', 'formula' language sr ~ pop15 + pop75 + dpi + ddpi # .. ..- attr(*, "variables")= language list(sr, pop15, pop75, dpi, ddpi) # .. ..- attr(*, "factors")= int [1:5, 1:4] 0 1 0 0 0 0 0 1 0 0 ... # .. .. ..- attr(*, "dimnames")=List of 2 # .. .. .. ..$ : chr [1:5] "sr" "pop15" "pop75" "dpi" ... # .. .. .. ..$ : chr [1:4] "pop15" "pop75" "dpi" "ddpi" # .. ..- attr(*, "term.labels")= chr [1:4] "pop15" "pop75" "dpi" "ddpi" # .. ..- attr(*, "order")= int [1:4] 1 1 1 1 # .. ..- attr(*, "intercept")= int 1 # .. ..- attr(*, "response")= int 1 # .. ..- attr(*, ".Environment")=<environment: R_GlobalEnv> # .. ..- attr(*, "predvars")= language list(sr, pop15, pop75, dpi, ddpi) # .. ..- attr(*, "dataClasses")= Named chr [1:5] "numeric" "numeric" "numeric" "numeric" ... # .. .. ..- attr(*, "names")= chr [1:5] "sr" "pop15" "pop75" "dpi" ... # $ model :'data.frame': 50 obs. of 5 variables: # ..$ sr : num [1:50] 11.43 12.07 13.17 5.75 12.88 ... # ..$ pop15: num [1:50] 29.4 23.3 23.8 41.9 42.2 ... # ..$ pop75: num [1:50] 2.87 4.41 4.43 1.67 0.83 2.85 1.34 0.67 1.06 1.14 ... # ..$ dpi : num [1:50] 2330 1508 2108 189 728 ... # ..$ ddpi : num [1:50] 2.87 3.93 3.82 0.22 4.56 2.43 2.67 6.51 3.08 2.8 ... # ..- attr(*, "terms")=Classes 'terms', 'formula' language sr ~ pop15 + pop75 + dpi + ddpi # .. .. ..- attr(*, "variables")= language list(sr, pop15, pop75, dpi, ddpi) # .. .. ..- attr(*, "factors")= int [1:5, 1:4] 0 1 0 0 0 0 0 1 0 0 ... # .. .. .. ..- attr(*, "dimnames")=List of 2 # .. .. .. .. ..$ : chr [1:5] "sr" "pop15" "pop75" "dpi" ... # .. .. .. .. ..$ : chr [1:4] "pop15" "pop75" "dpi" "ddpi" # .. .. ..- attr(*, "term.labels")= chr [1:4] "pop15" "pop75" "dpi" "ddpi" # .. .. ..- attr(*, "order")= int [1:4] 1 1 1 1 # .. .. ..- attr(*, "intercept")= int 1 # .. .. ..- attr(*, "response")= int 1 # .. .. ..- attr(*, ".Environment")=<environment: R_GlobalEnv> # .. .. ..- attr(*, "predvars")= language list(sr, pop15, pop75, dpi, ddpi) # .. .. ..- attr(*, "dataClasses")= Named chr [1:5] "numeric" "numeric" "numeric" "numeric" ... # .. .. .. ..- attr(*, "names")= chr [1:5] "sr" "pop15" "pop75" "dpi" ... # - attr(*, "class")= chr [1:2] "aov" "lm"

Alors que anova renvoie:

str(z) #Classes ‘anova’ and 'data.frame': 5 obs. of 5 variables: # $ Df : int 1 1 1 1 45 # $ Sum Sq : num 204.1 53.3 12.4 63.1 650.7 # $ Mean Sq: num 204.1 53.3 12.4 63.1 14.5 # $ F value: num 14.116 3.689 0.858 4.36 NA # $ Pr(>F) : num 0.000492 0.061125 0.359355 0.042471 NA # - attr(*, "heading")= chr "Analysis of Variance Table
" "Response: sr"