如何解释添加交互项后价值的急剧变化？答案

【问题标题】：How to interpret the drastic change in value after adding an interaction term?如何解释添加交互项后价值的急剧变化？
【发布时间】：2021-11-02 18:53:36
【问题描述】：

我读过其他类似的帖子，但他们的方法和设计与我的差异太大。

我正在计算具有两级层次结构的多级模型（混合效果）（第 1 级：个人会话，第 2 级：参与者），并且只要我在添加的治疗组件 1 是/否和添加的治疗组件之间添加交互项2 是/否，各个预测变量（组件 1 和 2）的 beta 值变为负值并发生变化，而交互项为正值。

这是我在添加交互项之前的固定效果的输出

                (Intercept): 24.046430  2.329687 536 10.321743  0.0000
Added component 1 : 2.494618  2.668156 (SE)  59 (DF)  0.934959(t-value)  0.3536 (p)
Added component 2 : 2.914177  2.664200(SE)   59 (DF)  1.093828(t-value)  0.2785 (p)

添加交互项后在这里：

(Intercept)                                   25.621801  2.673329 536  9.584229  0.0000
Added component 1                    -0.485001  3.676817 (SE)  58 (DF) -0.131908 (t-value)  0.8955 (p)
Added component 2                    -0.358369  3.853397 (SE)  58 (DF) -0.093001 (t-value)  0.9262 (p)
Component 1: Component 2       6.156257  5.285248 (SE)  58 (DF)  1.164800 (t-value)  0.2489 (p)

在我看来，交互的影响并不显着，各个预测变量的值似乎类似于初始值减去交互的值 + 一些额外的变化。但我对如何解释结果感到困惑......

【问题讨论】：

请提供足够的代码，以便其他人更好地理解或重现问题。

标签： r statistics mixed-models effects interaction

【解决方案1】：

添加交互项会完全改变模型，因此它预计参数估计值会改变。

交互本身会告诉您一个变量的“效果”如何根据另一个变量的级别而变化。

存在交互时，主效应有不同的解释。当一个变量参与交互时，它的主要影响被解释为以与它交互的另一个变量为零（或者在分类变量的情况下处于它的参考水平）为条件。改进的解释数字变量通常以它们的平均值为中心，因此解释的条件是变量处于其平均值而不是零（例如，在某些变量为零的情况下没有意义，例如身高或体重或人.)

【讨论】：