什么时候应该使用带有虚拟编码的多元回归与ANCOVA？

我最近分析了一个使用ANCOVA操纵2个类别变量和1个连续变量的实验。但是，一位审阅者建议，将分类变量编码为虚拟变量的多元回归是对分类变量和连续变量进行实验的更合适的测试。

什么时候使用带有虚拟变量的ANCOVA与多元回归比较合适？在两次测试之间进行选择时应考虑哪些因素？

谢谢。

ttnphns是正确的。

但是，考虑到您的其他意见，我建议审稿人只希望此更改仅用于解释。如果您想使用ANOVA风格的结果，只需将其称为ANOVA。正如ttnphns所指出的，ANCOVA和ANOVA是相同的。区别在于，使用ANCOVA时，您不会将协变量视为预测变量，而您肯定似乎只想这样做。

审阅者得到的是，尽管您可以对连续预测变量执行ANOVA，但通常会执行回归。此功能的一个特点是您可以估算连续变量的影响，甚至可以查看连续变量与分类变量之间的相互作用（ANCOVA中未包含该变量，但ANOVA中可能包含该变量）。

您可能需要一些解释回归结果的帮助，因为如果要使用Beta值确定效果的重要性，则会在交互过程中发生有趣的事情。

这两个是同一件事。例如，在SPSS中，我指定ANCOVA的过程称为GLM（通用​​线性模型）。它要求输入“因子”（类别预测变量）和“协变量”（连续预测变量）。如果我将“因子”重新编码为虚拟变量（从每个因子中删除一个冗余类别），并在REGRESSION过程（线性回归）中将所有变量与协变量一起输入为“独立变量”，则我将获得与GLM相同的结果（当然，因变量是相同的）。

PS如果模型相同，结果将相同。如果回归仅包含主要影响，那么当然应该指定ANCOVA，而无需逐因子交互。

正如期刊审阅人所建议的，在这种情况下，多元线性回归似乎比ANCOVA更合适。

尝试同时运行多元回归和ANCOVA，然后比较结果。它们可能不会完全相同。

ANCOVA和多元线性回归相似，但是当重点放在因果变量时，回归更合适，而当重点是比较自变量之一的组时，ANCOVA更合适。在上述实验中，重点显然是结果变量。

最后，除非您真的确定自己的处事方式比审阅者的要好，并且可以解释原因，否则您应该只屈服于审阅者的专业知识，这样才能发表论文。