为什么lrtest（）与anova（test =“ LRT”）不匹配

我一直在寻找在R中进行似然比测试以比较模型拟合的方法。我首先自己编写了代码，然后在包中找到了默认anova()功能。但是，当我检查时，即使将“ test”参数设置为“ LRT” ，也总是会产生与其他两个略有不同的p值。实际上是在执行一些微妙的不同测试，还是我不了解某些内容？lrtest()lmtestanova()anova()

平台：在Linux Mint 17 lmtest版本0.9-33 上运行的R 3.2.0

样例代码：

set.seed(1) # Reproducibility
n=1000
y = runif(n, min=-1, max=1)
a = factor(sample(1:5, size=n, replace=T))
b = runif(n)

# Make y dependent on the other two variables
y = y + b * 0.1 + ifelse(a==1, 0.25, 0)
mydata = data.frame(y,a,b)

# Models
base = lm(y ~ a, data=mydata)
full = lm(y ~ a + b, data=mydata)

# Anova
anova(base, full, test="LRT")

# lrtest
library(lmtest)
lrtest(base, full)

# Homebrew log-likelihood test
like.diff = logLik(full) - logLik(base)
df.diff = base$df.residual - full$df.residual
pchisq(as.numeric(like.diff) * 2, df=df.diff, lower.tail=F)

当我运行它时，anova()给出的p值为0.6071，而其他两个为0.60599。浮点数的存储方式差异很小，但始终如一，而且太大，以致于不精确。有人可以解释为什么anova()给出不同的答案吗？

测试统计数据的导出方式不同。anova.lmlist使用残差平方和的比例差：

anova(base, full, test="LRT")
#  Res.Df    RSS Df Sum of Sq Pr(>Chi)
#1    995 330.29                      
#2    994 330.20  1   0.08786   0.6071

vals <- (sum(residuals(base)^2) - sum(residuals(full)^2))/sum(residuals(full)^2) * full$df.residual 
pchisq(vals, df.diff, lower.tail = FALSE)
#[1] 0.6070549

如前面的答案中所述，差异归结为缩放比例的差异，即，误差的标准偏差的估计量不同。差异的来源是（1）按缩放（无偏OLS估计量）与缩放（有偏ML估计量），以及（2）在原假设或替代条件下使用估计量。$n-k$$n$

在中实现的似然比测试lrtest()分别对每个模型使用ML估计器，而anova(..., test = "LRT")在替代方案中使用OLS估计器。

sd_ols <- function(object) sqrt(sum(residuals(object)^2)/df.residual(object))
sd_mle <- function(object) sqrt(mean(residuals(object)^2))

然后lrtest()计算的统计量是

ll <- function(object, sd) sum(dnorm(model.response(model.frame(object)),
  mean = fitted(object), sd = sd, log = TRUE))
-2 * (ll(base, sd_mle(base)) - ll(full, sd_mle(full)))
## [1] 0.266047

anova(..., test = "LRT") 另一方面使用

-2 * (ll(base, sd_ols(full)) - ll(full, sd_ols(full)))
## [1] 0.2644859

当然，在零假设下，两者都是渐近等价的，但在有限样本中，两者之间的差异很小。