为什么Anova（）和drop1（）为GLMM提供了不同的答案？

我有以下形式的GLMM：

lmer(present? ~ factor1 + factor2 + continuous + factor1*continuous + 
                (1 | factor3), family=binomial)

当我使用时drop1(model, test="Chi")，我得到的结果与Anova(model, type="III")从汽车包装或汽车上获得的结果不同summary(model)。后两个给出相同的答案。

通过使用大量虚构数据，我发现这两种方法通常没有区别。对于平衡线性模型，不平衡线性模型（不同组中的n不相等）和平衡广义线性模型，它们给出相同的答案，但对于平衡广义线性混合模型，它们给出相同的答案。因此看来，只有在包括随机因素的情况下，这种矛盾才会显现出来。

• 为什么这两种方法之间存在差异？
• 使用GLMM时应使用Anova()还是drop1()应使用？
• 至少就我的数据而言，两者之间的差异很小。哪一个使用都重要吗？

我认为这是计算哪些测试的区别。car::Anova使用Wald检验，而drop1对模型进行了拟合以除去单个项。约翰·福克斯（John Fox）曾经写信给我，瓦尔德（Wald）测试和使用似然比检验（即的策略drop1）从改型模型中进行的检验都同意线性模型，但不一定是非线性模型。不幸的是，该邮件已被取消列出，并且没有任何参考。但我知道他的书中有一章关于Wald测试，其中可能包含所需的信息。

的帮助car::Anova说：

II类测验是根据边际性原则计算的，每个测验都在所有其他测验之后进行，除非忽略了该测验的高阶亲属。所谓的III型测试违反了边际性，在模型中的所有其他术语之后进行测试。II型检验的定义对应于SAS针对方差分析模型进行的检验，其中所有预测因素都是因素，但不是更普遍（即，当存在定量预测因素时）。在为III型检验建立模型时要格外小心，否则检验的假设就没有意义。

不幸的是，由于我也想知道这一点，所以我无法回答您第二或第三个问题。

更新搜索注释：

广义混合模型没有Wald，LR和F检验。Anova只允许"chisq"并"F"测试混合模型（即"mer"所返回的对象lmer）。用法部分说：

## S3 method for class 'mer'
Anova(mod, type=c("II","III", 2, 3), 
    test.statistic=c("chisq", "F"), vcov.=vcov(mod), singular.ok, ...)

但是，由于mer对象的F检验是由计算的pbkrtest，据我所知，它仅适用于线性混合模型，Anova因为GLMM应该总是返回chisq（因此，您看不到差异）。

有关该问题的更新：

我以前的答案只是试图回答您的主要问题，之间的差异Anova()和drop1()。但是现在我知道您想测试某些固定效果是否显着。关于此，R-sig混合建模常见问题说明了以下内容：

单个参数测试

从最坏到最好：

• Wald Z检验
• 对于可以计算df的平衡嵌套LMM：Wald t检验
• 似然比测试，可以通过建立模型以使参数可以隔离/删除（通过方差分析或drop1），也可以通过计算似然曲线进行
• MCMC或参数自举置信区间

效果测试（即测试多个参数同时为零）

从最坏到最好：

• Wald卡方检验（例如car :: Anova）
• 似然比测试（通过方差分析或drop1）
• 对于可以计算df的平衡，嵌套LMM：条件F检验
• 对于LMM：带df校正的条件F检验（例如pbkrtest软件包中的Kenward-Roger）
• MCMC或参数（或非参数）引导程序比较（非参数引导程序必须仔细实施以考虑分组因素）

（添加了重点）

这表明car::Anova()通常不建议您使用用于GLMM的方法，但是应该使用使用MCMC或引导程序的方法。我不知道是否pvals.fnc从languageRGLMM 的包装锅中取出，但是值得尝试。