Das Problem: Ich kann einen Parameter niedrigerer Ordnung (z. B. einen Haupteffektparameter) in einem Modell nicht entfernen, solange die Parameter höherer Ordnung (d. H. Wechselwirkungen) im Modell verbleiben. Selbst wenn Sie dies tun, wird das Modell überarbeitet und das neue Modell ist nicht im übergeordneten Modell verschachtelt.
Sehen Sie sich das folgende Beispiel an (da ich von ANOVAs komme, die ich verwende)contr.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  

Wie zu sehen ist, entferne ich zwar einen Parameter (A), das neue Modell (m2) überarbeitet und istnicht verschachtelt im größeren Modell (m1). Wenn ich meine Faktoren per Hand in numerische Kontrastvariablen umwandle, kann ich die gewünschten Ergebnisse erzielen, aber wie erhalte ich sie mit den Faktorfähigkeiten von R?

Die Frage: Wie kann ich einen Faktor niedrigerer Ordnung in R entfernen und ein Modell erhalten, das diesen Parameter wirklich verfehlt und nicht überarbeitet wird (d. H. Die Anzahl der Parameter im kleineren Modell muss niedriger sein)?

Aber warum? Ich möchte 'Typ 3' wie p-Werte für a erhaltenlmer Modell mit demKRmodcomp Funktion von derpbkrtest Paket. Dieses Beispiel ist also nur ein Beispiel.

Warum nicht CrossValidated? Ich habe das Gefühl, dass dies wirklich eher ein R als eine Statistikfrage ist (d. H. Ich weiß, dass Sie niemals ein Modell mit Interaktionen anpassen sollten, aber ohne einen der Haupteffekte, aber ich möchte es trotzdem tun).