已经进入到读R语言课本的程度了。
# 序
内容来自 R in Action 第202页，系统学习之后会开贴讲模型的比较。
# 对比嵌套模型
使用 anova() 函数来比较两个嵌套模型的拟合度。嵌套模型指一个模型的所有变量在另一个模型中都有包含，且它们响应变量也是一样的。
在下面的多元回归模型m1中，你会发现有些回归系数式不显著的。那么你可以重新做一个不包含m1中不显著变量的多元回归模型m2，然后对比不包含m1中不显著变量的多元回归模型m2是否与m1在预测上一样好。
states <- as.data.frame(state.x77[,c("Murder", "Population", "Illiteracy", "Income", "Frost")]) //因为state.x77是矩阵，而做回归分析需要用到数据框。所以这里做一个转换，顺便从中只取需要的数据。
m1 <- lm(Murder ~ Population + Illiteracy + Income + Frost, data=states) //可以看到有很多变量
m2 <- lm(Murder ~ Population + Illiteracy, data=states) //可以看到去掉了Income和Frost变量，因为发现在m1中这两个变量的p值不显著
anova(m2, m1) //注意这里的顺序！我们是想看之前包含所有变量的m1是否比去除两个变量的m2好
输出：
Analysis of Variance Table
Model 1: Murder ~ Population + Illiteracy
Model 2: Murder ~ Population + Illiteracy + Income + Frost
Res.Df RSS Df Sum of Sq F Pr(>F)
1 47 289.25
2 45 289.17 2 0.078505 0.0061 0.9939在这里Model1（输出的Model1，不是说m1哈）是嵌套于Model2的， anova() 函数提供了对于回归模型m1与去掉Income和Frost变量的回归模型m2的比较。发现P值等于0.9939这个测试结果不显著，你就可以得出结论说Model2的Income和Frost变量对模型没贡献（我不知道怎么翻译，原文是they don’t add to the linear prediction），我有正当理由（I’m justified in）把这两个变量从模型中去除掉。
# AIC
R in Action 第202页讲完 anova() 函数就讲如何使用Akaike Information Criterion（AIC）来比较两个模型，以下是原文，做一个序：
Akaike Information Criterion
The Akaike Information Criterion (AIC) provides another method for comparing
models. The index takes into account a model’s statistical fit and the number of
parameters needed to achieve this fit. Models with smaller AIC values—indicating adequate fit with fewer parameters—are preferred. The criterion is provided by the AIC()
function (see the following listing).
更重要的是， anova() 函数对比模型时要求这几个模型是嵌套模型，而 AIC() 函数没有这个要求。