我看过其他类似的帖子，但是他们的方法和设计和我的太不一样了。
我正在计算一个具有两层层次结构的多层模型(混合效果)(第1层:个人会话，第2层:参与者)，一旦我添加了添加治疗组件之间的交互项1是/否&是/否单个预测因子的beta值(成分1 &2)变为负值并改变值，而交互项为正值。
这是在添加交互项
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)
和在添加交互项之后的这里:
(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，交互作用的影响并不显著，单个预测因子的值似乎类似于初始值减去交互作用的值+一些额外的变化。但是我对如何解释这个结果感到困惑....
交互项的添加完全改变了模型，因此它预计参数估计将发生变化。
交互作用本身告诉你如何"作用"。一个变量的变化取决于另一个变量的水平
在相互作用的情况下，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与它交互的另一个变量为零的条件(或者在分类变量的情况下它的参考水平)。改进的解释数值变量通常以其平均值为中心，因此解释的条件是变量处于平均值而不是零(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。)