¿Por qué cambia el modelo cuando se usa relevel?

Cuando calculo modelos de regresión con R, utilizo regularmente la función de relevel para que mi modelo también me dé resultados para el otro nivel. Noté que a veces, pero no con frecuencia, esto cambió el modelo en el sentido de que los niveles de otros factores que eran significativos antes del relanzamiento ya no lo son. ¿Es esto inherente a la revelación o excepcional y quizás debido a algún problema con mis datos? ¿Muestra que mis datos probablemente no cumplen con uno de los requisitos previos de los modelos lineales?

En relación con eso, ¿está bien si utilizo reenviar, recalcular mi modelo y luego informar valores significativos de ambos modelos en mi artículo? Si la significación difiere entre los dos modelos para un determinado factor, supongo que debería elegir uno que sea menos optimista.

Supongo que mi pregunta revela que no sé lo suficiente sobre mí para comprender la necesidad de un nivel base. Pensé que lo entendía bastante bien;) De alguna manera, ninguna de las presentaciones que leí explicaba ese punto, o era demasiado tonto para comprenderlo. Entonces, si alguien pudiera dirigirme a un sitio donde se explicara el punto de tener niveles base en lm o explicarlo ellos mismos, ¡eso también sería genial!

Editar: Aquí hay un ejemplo mínimo:

library(datasets)
sprays<-OrchardSprays
model<-lm(decrease~treatment+rowpos+colpos,data=sprays)
summary(model)

Parte del resumen dice

treatmentC    20.625      9.731   2.120  0.03866 *

Entonces, si el tratamiento == C esto tiene una influencia positiva significativa en la 'disminución'. Ahora relevo 'tratamiento' a B para averiguar qué influencia tiene el tratamiento == A:

sprays$treatment<-relevel(sprays$treatment,"B")
summary(model)

Y ahora el tratamiento == C no es significativo en este nuevo modelo:

treatmentC    17.625      9.731   1.811  0.07567 .

Perdón por publicar en el lugar equivocado! ¿Puedo mover mi pregunta a stats statexchange o debería abrir una nueva allí?

Suponga que el factor conditionstiene niveles A,B,Cy usted regresa su variable de respuesta yen condiciones que utilizan mod <- lm(y ~ conditions). Ahora summary(mod)devuelve la media del nivel de referencia de conditions(digamos A) y la diferencia de medias entre las condiciones By Ay la diferencia entre las condiciones Cy A(reportado respectivamente (Intercept), conditions:By conditions:C). Si usted conditions <- relevel(conditions, ref = 'B')y vuelve a reunir el modelo lineal, ahora obtendrá la media de B, la diferencia entre Ay B, y la diferencia entre CyA. Naturalmente, los valores p pueden cambiar. No significa que haya un problema con sus datos. No significa que sus datos necesariamente fallen una suposición del modelo lineal. El ajuste es el mismo y simplemente ha cambiado la información que se imprime porque ha cambiado el nivel de referencia y está utilizando contrastes de tratamiento. Puede obtener las mismas pruebas de hipótesis lineales utilizando el original mod.

En cuanto a qué informar, en muchos campos, es habitual informar si hubo un efecto estadísticamente significativo de conditions(usando la salida de anova(mod)) e informar a la salida de regresión completa en una tabla (usando los niveles de referencia que desee ) Las normas sobre cómo y si informar las pruebas de Avs. B(por ejemplo) varían según el campo. Mire de cerca los buenos documentos en su campo.