Tôi có 2 biến phụ thuộc (DV) mỗi điểm có thể bị ảnh hưởng bởi tập hợp 7 biến độc lập (IV). DV là liên tục, trong khi bộ IV bao gồm một hỗn hợp các biến được mã hóa liên tục và nhị phân. (Trong mã bên dưới các biến liên tục được viết bằng chữ in hoa và biến nhị phân bằng chữ in thường.)
Mục đích của nghiên cứu là khám phá cách các DV này bị ảnh hưởng bởi các biến IV. Tôi đã đề xuất mô hình hồi quy đa biến (MMR) sau đây:
my.model <- lm(cbind(A, B) ~ c + d + e + f + g + H + I)
Để giải thích kết quả tôi gọi hai câu:
summary(manova(my.model))
Manova(my.model)
Đầu ra từ cả hai cuộc gọi được dán bên dưới và khác nhau đáng kể. Ai đó có thể vui lòng giải thích tuyên bố nào trong số hai nên được chọn để tóm tắt chính xác kết quả của MMR không, và tại sao? Bất kỳ đề nghị sẽ được đánh giá rất cao.
Đầu ra sử dụng summary(manova(my.model))
câu lệnh:
> summary(manova(my.model))
Df Pillai approx F num Df den Df Pr(>F)
c 1 0.105295 5.8255 2 99 0.004057 **
d 1 0.085131 4.6061 2 99 0.012225 *
e 1 0.007886 0.3935 2 99 0.675773
f 1 0.036121 1.8550 2 99 0.161854
g 1 0.002103 0.1043 2 99 0.901049
H 1 0.228766 14.6828 2 99 2.605e-06 ***
I 1 0.011752 0.5887 2 99 0.556999
Residuals 100
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Đầu ra sử dụng Manova(my.model)
câu lệnh:
> library(car)
> Manova(my.model)
Type II MANOVA Tests: Pillai test statistic
Df test stat approx F num Df den Df Pr(>F)
c 1 0.030928 1.5798 2 99 0.21117
d 1 0.079422 4.2706 2 99 0.01663 *
e 1 0.003067 0.1523 2 99 0.85893
f 1 0.029812 1.5210 2 99 0.22355
g 1 0.004331 0.2153 2 99 0.80668
H 1 0.229303 14.7276 2 99 2.516e-06 ***
I 1 0.011752 0.5887 2 99 0.55700
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1