有两种方式可以解释您的第一个问题，这反映在您提出的两种方式中：“物种是否与寄主植物有关？” 并且，“考虑到雨水的影响，物种是否独立于寄主植物？”

第一种解释对应于联合独立模型，它指出物种和宿主是相互依赖的，但共同独立于是否下雨：

$\quad p_{shr} = p_{sh} p_r$

其中是观测落入单元格的概率，其中索引物种、宿主类型和降雨值，是单元格，我们在雨变量上崩溃，是下雨的边际概率。$p_{shr}$$(s,h,r)$$s$$h$$r$$p_{sh}$$(s,h,\cdot)$$p_r$

第二种解释对应于条件独立模型，该模型表明物种和宿主是独立的，无论是否下雨：

$\quad p_{sh|r} = p_{s|r}p_{h|r}$或$p_{shr} = p_{sr}p_{hr} / p_r$

其中是单元的条件概率，给定的值。$p_{sh|r}$$(s,h,r)$$r$

您可以在 R 中测试这些模型（loglin也可以正常工作，但我更熟悉glm）：

count <- c(12,15,10,13,11,12,12,7)
species <- rep(c("a", "b"), 4)
host <- rep(c("c","c", "d", "d"), 2)
rain <- c(rep(0,4), rep(1,4))
my.table <- xtabs(count ~ host + species + rain)
my.data <- as.data.frame.table(my.table)
mod0 <- glm(Freq ~ species + host + rain, data=my.data, family=poisson())
mod1 <- glm(Freq ~ species * host + rain, data=my.data, family=poisson())
mod2 <- glm(Freq ~ (species + host) * rain, data=my.data, family=poisson())
anova(mod0, mod1, test="Chi") #Test of joint independence
anova(mod0, mod2, test="Chi") #Test of conditional independence

上面，mod1对应于联合独立，mod2对应于条件独立，而mod0对应于相互独立模型。您可以使用 等查看参数估计值。像往常一样，您应该检查是否满足模型假设。在您提供的数据中，空模型实际上非常适合。$p_{shr} = p_s p_h p_r$summary(mod2)

处理第一个问题的另一种方法是对折叠的 2x2 表（第一种解释）执行 Fischer 精确检验fisher.test(xtabs(count ~ host + species))( mantelhaen.test(xtabs(count ~ host + species + rain))（第二种解释）。

套用你的第二个问题，物种和宿主之间的关系是否取决于是否下雨？

mod3 <- glm(Freq ~ species*host*rain - species:host:rain, data=my.data, family=poisson())
mod4 <- glm(Freq ~ species*host*rain, data=my.data, family=poisson())
anova(mod3, mod4, test=”Chi”)
pchisq(deviance(mod3), df.residual(mod3), lower=F)

完整的模型mod4已经饱和，但是您可以通过查看mod3我在上面所做的偏差来测试有问题的效果。

逻辑回归似乎适合您的问题。您试图预测的变量是观测值（物种 A 或物种 B）是物种 A 的概率。协变量是、和可选。$host$$rain$$host*rain$

R 命令将是：

glm（公式=物种~宿主+雨，家庭=二项式（logit），权重=计数）

你会对斜率但请记住，您正在测试多个假设。$p$

最初，我建议尝试使用vegan包中的一种约束排序技术，但再想一想，我怀疑这是否有用，因为您实际上有 2 个列联表。我希望本示例的第二部分[PDF：R 演示 - 分类分析] 会有所帮助。