Penso che sia la differenza di quali calcoli vengono calcolati. car::Anova
usa i test di Wald, mentre drop1
rimette a posto il modello rilasciando termini singoli. John Fox una volta mi scrisse che Wald testava e testava su modelli rimontati usando test del rapporto di verosimiglianza (cioè la strategia didrop1
) concordano per modelli lineari ma non necessariamente non lineari. Purtroppo questa mail era fuori elenco e non conteneva alcun riferimento. Ma so che il suo libro ha un capitolo sui test di Wald, che potrebbe contenere le informazioni desiderate.
L'aiuto a car::Anova
dire:
Le prove di tipo II sono calcolate secondo il principio di marginalità, testando ogni termine dopo tutti gli altri, tranne ignorare i parenti di ordine superiore del termine; i cosiddetti test di tipo III violano la marginalità, testando ogni termine nel modello dopo tutti gli altri. Questa definizione di test di tipo II corrisponde ai test prodotti da SAS per i modelli di analisi della varianza, in cui tutti i predittori sono fattori, ma non più in generale (ovvero quando vi sono predittori quantitativi). Prestare molta attenzione nel formulare il modello per le prove di tipo III, altrimenti le ipotesi verificate non avranno senso.
Sfortunatamente non posso rispondere alla tua seconda o terza domanda, poiché anch'io vorrei saperlo.
Aggiorna commento di riaccensione :
Non esistono test Wald, LR e F per modelli misti generalizzati. Anova
consente solo "chisq"
e "F"
test per modelli misti (ovvero "mer"
oggetti restituiti da lmer
). La sezione sull'utilizzo dice:
## S3 method for class 'mer'
Anova(mod, type=c("II","III", 2, 3),
test.statistic=c("chisq", "F"), vcov.=vcov(mod), singular.ok, ...)
Ma poiché mer
vengono calcolati i test F per gli oggetti pbkrtest
, che per la mia conoscenza funziona solo per i modelli misti lineari, i Anova
GLMM dovrebbero sempre tornare chisq
(quindi non vedete alcuna differenza).
Aggiornamento sulla domanda:
La mia precedente risposta ha appena cercato di rispondere alla tua domanda principale, la differenza tra Anova()
e drop1()
. Ma ora capisco che vuoi testare se certi effetti fissi sono significativi o meno. Le domande frequenti sulla modellazione mista R-sig indicano quanto segue:
Test di singoli parametri
Dal peggiore al migliore:
- Test Z di Wald
- Per LMM bilanciati e nidificati in cui è possibile calcolare df: Wald t-test
- Test del rapporto di verosimiglianza, impostando il modello in modo che il parametro possa essere isolato / eliminato (tramite anova o drop1) o tramite il calcolo dei profili di verosimiglianza
- MCMC o intervalli di confidenza bootstrap parametrici
Test di effetti (ovvero test che diversi parametri sono contemporaneamente zero)
Dal peggiore al migliore:
- Prove chi-quadro di Wald (ad es. Auto :: Anova)
- Test del rapporto di verosimiglianza (via anova o drop1)
- Per LMM bilanciati e annidati in cui è possibile calcolare df: test F condizionali
- Per gli LMM: test F condizionali con correzione df (ad es. Kenward-Roger nel pacchetto pbkrtest)
- Confronti di bootstrap MCMC o parametrici o non parametrici (il bootstrap non parametrico deve essere implementato attentamente per tenere conto dei fattori di raggruppamento)
(enfasi aggiunta)
Questo indica che il tuo approccio all'uso car::Anova()
di GLMM non è generalmente raccomandato, ma dovrebbe essere usato un approccio usando MCMC o bootstrap. Non so se pvals.fnc
dal languageR
pacchetto si svegli con i GLMM, ma vale la pena provare.