要立即获得满足感并不容易（Anova()函数会自动为模型中每个预测变量的效果提供假设检验）。

library(mclogit)
library(car)  ## for Anova
data("housing", package = "MASS")
house.mblogit <- mblogit(Sat ~ Infl*Type + Cont, weights = Freq,
                              data = housing)

您可以尝试methods("Anova")，看看car::Anova()可以适应哪些类型的模型（对象）（不幸的是，不是mblogit或mclogit对象）。你也可以试试

lapply(class(house.mblogit), function(c) methods(class = c))

查看哪些方法可用于您拟合的模型（尽管最后一组条目，即类lm，可能并不真正相关...）
有一个anova()方法，但它只适用于比较已经拟合的模型的嵌套集-而不是分解单个模型。
不过，您可以通过拟合嵌套模型（通过在公式右侧添加/减去项或替换RHS）手动完成此操作。坏消息是，你只能用这种方式比较模型的嵌套序列，并得出关于该序列中包含/排除的项的重要性的结论。
下面是一个例子：

## infl, type, and interaction (drop cont)
m_infltype <- update(house.mblogit, . ~ . - Cont)
## additive effects of infl and type (and cont), no interaction
m_infltypeadd <- update(house.mblogit, . ~ . - Infl*Type + Infl + Type)
m_infl <- update(house.mblogit, . ~ . - Infl*Type + Infl)
m_type <- update(house.mblogit, . ~ . - Infl*Type + Type)
## Cont only
m_cont <- update(house.mblogit, . ~ Cont)
m_null <- update(house.mblogit, . ~ 1)

anova(house.mblogit, m_infltypeadd, m_infl, m_cont, m_null,
       test = "Chisq")

计算复杂模型中项的显著性的困难在于（在平衡实验设计中的线性模型之外）显著性取决于评估项的顺序。car::Anova()有更好的方法来做到这一点（它的“类型2”Anova评估模型中包含的所有其他项的焦点项，除了涉及该项的高阶相互作用;其“类型3”不同-请参阅?car::Anova中的“详细信息”和“警告”部分）。
替代方案将是计算AIC表，例如关于MuMIn::dredge

h2 <- update(house.mblogit, na.action = na.fail) ## required for dredge()
MuMIn::dredge(h2)