当包含分类变量之间的交互时，解释混合模型的回归输出

我对使用混合模型/ lmer有疑问。基本模型是这样的：

lmer(DV ~ group * condition + (1|pptid), data= df)

组和条件都是两个因素：组具有两个级别（组A，组B），条件具有三个级别（条件1，条件2，条件3）。它是来自人类受试者的数据，因此pptid对每个人都是随机效应。

该模型找到以下带有p值的输出：

                                   Estimate MCMCmean HPD95lower HPD95upper  pMCMC Pr(>|t|)
(Intercept)                          6.1372   6.1367     6.0418     6.2299 0.0005   0.0000
groupB                              -0.0614  -0.0602    -0.1941     0.0706 0.3820   0.3880
condition2                           0.1150   0.1151     0.0800     0.1497 0.0005   0.0000
condition3                           0.1000   0.1004     0.0633     0.1337 0.0005   0.0000
groupB:condition2                   -0.1055  -0.1058    -0.1583    -0.0610 0.0005   0.0000
groupB:condition3                   -0.0609  -0.0612    -0.1134    -0.0150 0.0170   0.0148

现在，我知道列出的行将因素的每个级别与参考级别进行了比较。对于组，参考是groupA，对于条件，参考是condition1。

通过以下方式解释此输出是否正确：

• 两组之间没有总体差异（因此，ap≥0.05的groupB）
• 条件1和条件2之间以及条件1和条件3之间的总体差异。
• 组A，条件1与组B，条件2之间的差异，以及组A，条件1与组B，条件3之间的差异。

那是对的吗？对于两个不同因素之间的相互影响，我对如何解释这一点感到有些困惑。

我在这里阅读了各种问题，并进行了一些网络搜索，并设法通过glht建立了对比：这是否是一种更好的方式来查看组和条件之间的差异？考虑到此处存在交互的迹象，我认为情况就是如此。

使用给定的回归表，我们可以DV为两个因素的每种组合计算因变量的期望值表，这可能会使情况更加清楚（请注意，我使用的是普通估算，而不是MCMC估算）：

$$\begin{array}{c|cc} \phantom{} & {\rm GroupA} & {\rm GroupB} \\ \hline {\rm Condition1} & 6.1372 & 6.0758 \\ {\rm Condition2} & 6.2522 & 6.0853 \\ {\rm Condition3} & 6.2372 & 6.1149 \\ \end{array}$$

我将通过回答您的解释并参考此表来回答您的问题。

两组之间没有总体差异（因此，ap≥0.05的groupB）

$p$ConditionCondition=1$6.1372$$6.0758$

这不是在测试两组之间是否存在总体差异。要进行测试，您必须Condition完全放弃模型并测试的重要性Group。

条件1和条件2之间以及条件1和条件3之间的总体差异。

Condition2Condition3Condition1Group=A$6.1372$Groupcondition

组A，条件1与组B，条件2之间的差异，以及组A，条件1与组B，条件3之间的差异。

交互作用项测试一个变量的作用是否取决于另一变量的水平。

groupB:condition2Condition1Condition2Group=AGroup=B

$$6.2522-6.1372=.115$$ $$6.0853-6.0758=.0095$$ Condition2Condition1GroupA GroupB，这就是我怎么会解释这个。似乎在某种程度上发生了类似的动态变化Condition3。