我意识到这是一年前的帖子，但它可能会再次出现。

有很多因素会影响这一点，我认为最重要的是你的假设。所以没有明确的答案，但我通常遵循这些经验法则：

1）类型 II 仅当您没有交互项时。

2) Type I vs Type III 测试交互项...我一直选择 Type I 原因是这个

dv ~ A + B + A*B 的 I 型 SS 取决于顺序所以...它的顺序 SS(A) SS(B|A) SS(A*B|AB)

这对于测试您的交互非常有用……但对于测试主要影响并不好，因为 B 的影响取决于 A。

II 型绕过这个 SS(A|B) SS(B|A)

如果没有交互项，这看起来很适合测试您的主要影响。

第三类：SS(A| A*BB) SS(B| A*BA)

鉴于最常见的假设......似乎不是很有用，因为大多数人对交互项感兴趣，而不是交互项存在时的主要影响。

所以在这种情况下，我会使用 Type-I 来测试交互项。如果不显着，我会在没有交互项的情况下进行改装，并使用 Type-II 来测试主要影响。

警告：R 中的 anova() 是 Type-I，要获得 Type-II（或 III），请使用 car 包中的 Anova()。

我从来都不是 ANOVA 的 III 型 SS 的粉丝，所以这是一个有偏见的建议。

我相信在这种情况下你应该选择Type II。在 I 型方差分析中，顺序很重要。因此，无论您是否包含 iV1 或 iV2 首先都会有所不同，因为第一个（例如 iV1）与仅具有截距的模型进行比较，而将第二个与具有截距和第一个的模型进行比较。尝试切换它们的顺序，您会看到主效应结果的差异，因为您的预测变量是相关的。

第三类通过评估每个预测变量来解决这个问题，包括与模型的交互，包括除该预测变量之外的所有内容。这听起来是个好主意，直​​到您尝试考虑没有包含主要影响之一的交互是什么。您正在将预测变量与本质上是一个无意义的模型进行比较（我认为您的其中一个参考文献涉及到这一点）。（此外，我记得 III 型对缺失的细胞特别敏感（因此我相信是 IV 型）。

Type II 解决了 Type I 中的订单问题并比较了合理的模型（与 Type III 不同）。主效应与模型中的所有其他主效应一起测试，而不是交互作用。因此，每个主要影响很容易解释为该预测变量的独特贡献。

请注意，讨论的所有 SS 类型都会在您的案例中获得相同的交互效果，因为它是使用每个案例中包含的所有主要影响进行评估的。

我最近做了一个决定：我永远不会再使用方差分析平方和测试，除了交互。为什么 ？

• 因为，一般来说，假设$H_0$的主要影响的测试很难解释。

• 因为我们可以做一些更具指导性和可解释性的事情：使用置信区间进行多重比较。