The problem: Я не могу удалить параметр более низкого порядка (например, параметр основных эффектов) в модели, пока параметры более высокого порядка (то есть взаимодействия) остаются в модели. Даже при этом модель подвергается рефакторингу, и новая модель не вкладывается в более высокую модель.
Смотрите следующий пример (поскольку я исхожу из ANOVAs, я используюcontr.sum):

d <- data.frame(A = rep(c("a1", "a2"), each = 50), B = c("b1", "b2"), value = rnorm(100))
options(contrasts=c('contr.sum','contr.poly'))
m1 <- lm(value ~ A * B, data = d)
m1

## Call:
## lm(formula = value ~ A * B, data = d)
## 
## Coefficients:
## (Intercept)           A1           B1        A1:B1  
##   -0.005645    -0.160379    -0.163848     0.035523  

m2 <- update(m1, .~. - A)
m2

## Call:
## lm(formula = value ~ B + A:B, data = d)

## Coefficients:
## (Intercept)           B1       Bb1:A1       Bb2:A1  
##   -0.005645    -0.163848    -0.124855    -0.195902  

Как видно, хотя я убираю один параметр (A), новая модель (m2) подвергается рефакторингу и являетсяnot nested в большей модели (m1). Если я преобразую свои коэффициенты на руку в числовые переменные контрастности, я могу получить желаемые результаты, но как мне получить их, используя возможности фактора R?

The Question: Как я могу удалить фактор более низкого порядка в R и получить модель, которая действительно пропускает этот параметр и не подвергается рефакторингу (т. Е. Число параметров в меньшей модели должно быть меньше)?

But why? Я хочу получить «тип 3»; как р-значения дляlmer модель с использованиемKRmodcomp функция отpbkrtest пакет. Так что этот пример действительно просто пример.

Why not CrossValidated? У меня такое ощущение, что это действительно скорее вопрос R, чем вопрос статистики (то есть я знаю, что вам никогда не следует подбирать модель с взаимодействиями, но без одного из основных эффектов, но я все еще хочу это сделать).