我有一个形式的 GLMM：
lmer(present? ~ factor1 + factor2 + continuous + factor1*continuous +
(1 | factor3), family=binomial)
当我使用 时drop1(model, test="Chi")，我得到的结果与Anova(model, type="III")从汽车包装或summary(model). 后两者给出了相同的答案。
使用一堆捏造的数据，我发现这两种方法通常没有区别。对于平衡线性模型、不平衡线性模型（不同组中的 n 不相等）和平衡广义线性模型，它们给出了相同的答案，但对于平衡广义线性混合模型却没有。因此，似乎只有在包含随机因素的情况下，这种不和谐才会显现。
Anova()还是drop1()使用？ 我认为这是计算哪些测试的区别。car::Anova使用 Wald 测试，而drop1重新拟合模型删除单个项。John Fox 曾经写信给我，Wald 测试和使用似然比测试（即来自 的策略drop1）的改装模型的测试同意线性但不一定是非线性模型。不幸的是，这封邮件不在列表中，并且不包含任何参考。但我知道他的书中有一章是关于 Wald 测试的，其中可能包含所需的信息。
帮助car::Anova说：
Type-II测试是根据边缘性原则计算的，先测试每个term，除了忽略term的高阶亲属；所谓的 III 型测试违反了边际性，将模型中的每个项都测试在所有其他项之后。II 类检验的定义对应于 SAS 为方差分析模型生成的检验，其中所有预测变量都是因子，但不是更普遍的（即，当有定量预测变量时）。为 III 型测试制定模型时要非常小心，否则测试的假设将毫无意义。
不幸的是，我无法回答您的第二个或第三个问题，因为我也想知道这一点。
更新重新评论：
广义混合模型没有 Wald、LR 和 F 检验。Anova只允许"chisq"和"F"测试混合模型（即"mer"返回的对象lmer）。使用部分说：
## S3 method for class 'mer'
Anova(mod, type=c("II","III", 2, 3),
test.statistic=c("chisq", "F"), vcov.=vcov(mod), singular.ok, ...)
但是由于mer对象的 F 检验是由 计算的pbkrtest，据我所知，这仅适用于线性混合模型，Anova因为 GLMM 应该总是返回chisq（因此你看不出有什么区别）。
关于问题的更新：
Anova()我之前的回答只是试图回答你的主要问题，和之间的区别drop1()。但是现在我知道您想测试确定的固定效应是否显着。R-sig 混合建模常见问题解答对此有以下说明：
单参数测试
从最差到最好：
- Wald Z 检验
- 对于可以计算 df 的平衡嵌套 LMM：Wald t-tests
- 似然比检验，通过设置模型以便可以隔离/删除参数（通过 anova 或 drop1），或通过计算似然分布
- MCMC 或参数引导置信区间
效果测试（即测试多个参数同时为零）
从最差到最好：
- Wald 卡方检验（例如 car::Anova）
- 似然比检验（通过 anova 或 drop1）
- 对于可以计算 df 的平衡嵌套 LMM：条件 F 检验
- 对于 LMM：带 df 校正的条件 F 检验（例如 pbkrtest 包中的 Kenward-Roger）
- MCMC 或参数或非参数引导比较（必须仔细实施非参数引导以考虑分组因素）
（重点补充）
这表明car::Anova()通常不推荐您使用 GLMM 的方法，但应使用使用 MCMC 或引导程序的方法。我不知道pvals.fnc从languageR包装中是否可以使用 GLMM，但值得一试。