加入交互项后Logistic回归关键IV不再显著的原因咨询（RStudio）

我在RStudio中开展Logistic回归分析，变量情况如下：

• 二分类自变量IV（condition，含2个水平）
• 编码为1和0的二分类因变量DV
• 连续协变量covariate

仅纳入IV的模型 #

IV对DV具有显著效应：

glm(formula = DV ~ condition, family = "binomial", data = df)

(AIC: 307.38)

纳入IV与协变量的模型 #

IV仍显著：

glm(formula = DV ~ condition + covariate, family = "binomial", data = df)

(AIC: 306.29)

纳入IV、协变量及交互项的模型 #

IV不再显著，协变量变得显著：

glm(formula = DV ~ condition * covariate, family = "binomial", data = df)

(AIC: 306.48)

我对此十分困惑：是在Logistic回归中加入交互项存在问题，还是IV实际上对DV无效应？我曾阅读过相关帖子，但仍有疑问。

后续补充：仅纳入协变量的模型 #

glm(formula = DV ~ covariate, family = "binomial", data = df)

(AIC: 308.69, not sure if this is relevant)

1. 交互项改变了主效应的解读逻辑
   加入condition * covariate交互项后，IV（condition）的主效应不再代表其对DV的整体平均效应，而是特指协变量covariate处于均值（或编码参考水平）时，IV对DV的效应。此时IV主效应不显著，仅说明在协变量的这个特定水平下，IV的效应无统计学意义，不代表IV完全没有效应。

2. 协变量效应变化的本质
   交互项模型中协变量的主效应，是IV处于参考水平时协变量对DV的效应。之前无交互项时协变量不显著，加入交互项后显著，说明协变量的效应会随IV的水平变化——在IV某一水平下，协变量对DV的影响足够大，达到了统计显著。

3. 模型选择与IV效应的真实性
   从AIC来看，含交互项的模型（306.48）比仅含IV+协变量的模型（306.29）略高，说明无交互项的模型拟合度稍好，但两者差异极小，提示交互项的统计证据不足，但不能直接否定交互效应的存在。
   IV并非对DV无效应：前两个模型中IV的显著效应，说明在不考虑交互作用时，IV对DV的平均效应是显著的。交互项模型的结果只是揭示了IV的效应会受协变量调节——在协变量的不同取值下，IV的效应大小甚至方向可能存在差异。

4. 下一步建议

• 绘制调节效应图，直观展示不同协变量取值下，IV对DV预测概率的影响模式。
• 将协变量按中位数或四分位数分组，分别在不同组内检验IV的效应，观察IV在哪些协变量区间内仍显著。
• 若样本量较小，交互项可能稀释统计效力导致主效应不显著，此时需结合研究背景判断交互效应的实际意义，而非仅依赖统计显著性。

内容的提问来源于stack exchange，提问作者Ruth