GLMM可视化结果显著但模型摘要中A:B交互项不显著的问题求助

问题背景 #

用glmer()拟合二项分布广义线性混合模型，ggplot可视化结果显示横轴变量A与分组变量B存在明显差异，但模型summary()输出中A:B交互项无统计显著性。移除三向交互项后，新模型的固定效应呈现显著性，但A:B交互项仍不显著；通过AIC、R²及anova()检验发现两个模型无显著差异，且含三向交互的原模型AIC和R²表现略优，可视化结果无明显变化。

可视化图表：

原模型（含三向交互）代码及结果 #

# 原模型公式
glmm_model.1 <- glmer(Y~ A*B*C+(1|random),
                    family = binomial(link="logit"),  
                    data = data)

# 模型摘要
summary(glmm_model.1)
# 输出结果：
     AIC      BIC   logLik deviance df.resid 
  7284.2   7359.0  -3631.1   7262.2     6599 

Scaled residuals: 
    Min      1Q  Median      3Q     Max 
-5.0345 -0.7168  0.2579  0.6361  3.7524 

Fixed effects:
                                      Estimate Std. Error z value Pr(>|z|)   
(Intercept)                         -1.0693230  0.5603642  -1.908  0.05636 . 
A                                    0.0495183  0.0207214   2.390  0.01686 * 
B                                    0.7427204  0.6910692   1.075  0.28249   
C                                    0.0053335  0.0037191   1.434  0.15154   
A:B                                 -0.0048718  0.0297818  -0.164  0.87006   
A:C                                 -0.0002234  0.0001595  -1.400  0.16152   
B:C                                  0.0161719  0.0054922   2.945  0.00323 **
A:B:C                               -0.0003741  0.0002331  -1.605  0.10851   
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

简化模型（移除三向交互）代码及结果 #

# 简化模型公式
glmm_model.2 <- glmer(Y~ A*B+A*C+B*C+(1|random),
                      family = binomial(link="logit"),  
                      data = data)

# 模型摘要
summary(glmm_model.2)
# 输出结果：
     AIC      BIC   logLik deviance df.resid 
  7282.2   7343.3  -3632.1   7264.2     6601 

Scaled residuals: 
    Min      1Q  Median      3Q     Max 
-4.8153 -0.7150  0.2543  0.6364  3.6107 

Fixed effects:
                                 Estimate Std. Error z value Pr(>|z|)    
(Intercept)                    -1.3134516  0.5363266  -2.449  0.01433 *  
A                               0.0604615  0.0193618   3.123  0.00179 ** 
C                               0.0088813  0.0028810   3.083  0.00205 ** 
B                               1.3152630  0.5962002   2.206  0.02738 *  
A:C                            -0.0003815  0.0001186  -3.216  0.00130 ** 
B:C                             0.0076455  0.0018364   4.163 3.14e-05 ***
A:B                            -0.0302563  0.0252771  -1.197  0.23131    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

核心原因解析 #

• 可视化与模型检验的逻辑差异：ggplot展示的是原始数据或直观趋势，而模型交互项检验的是A的效应在不同B组间的统计显著性差异——即使两组趋势看起来不同，若数据变异大（标准误高），统计检验也可能不显著。
• 变量尺度影响：A是连续变量，系数量级远小于分类变量B，若A的取值范围窄，会放大交互项系数的标准误，降低检验效力。
• 模型结构干扰：三向交互项虽不显著，但可能分散了模型对A:B交互的估计权重；随机效应的存在也会影响固定效应的标准误计算。

具体解决方案 #

1. 对齐可视化与模型逻辑 #

绘制模型预测的边际效应图，而非原始数据，确保展示的是模型拟合的结果：

library(emmeans)
# 计算不同B组中A的边际响应效应
emm <- emmeans(glmm_model.1, ~ A | B, type = "response")
# 绘制边际效应曲线
plot(emm, xlab = "变量A", ylab = "Y的预测概率", main = "不同B组下A的边际效应")

2. 优化变量处理 #

• 标准化连续变量：对A进行Z-score标准化，缩小系数量级差异，提升交互项检验的稳定性：

data$A_scaled <- scale(data$A)
# 重新拟合模型
glmm_scaled <- glmer(Y~ A_scaled*B*C+(1|random),
                     family = binomial(link="logit"),
                     data = data)
summary(glmm_scaled)

• 调整分类变量参考组：更换B的参考组，重新拟合模型，观察交互项结果是否变化，排除参考组选择带来的偏差。

3. 直接检验斜率差异 #

用emtrends()直接比较不同B组中A的斜率差异，这是交互项的等价检验：

# 提取不同B组中A的趋势
trends <- emtrends(glmm_model.1, ~ B, var = "A", type = "response")
# 组间斜率差异检验
pairs(trends)

4. 模型选择与结果解释 #

• 虽然原模型AIC略优，但anova()显示两个模型无显著差异，说明三向交互项对拟合贡献极小，优先选择更简洁的glmm_model.2，减少复杂度干扰。
• 解释结果时，明确区分实际趋势与统计显著性：若可视化的分组差异有研究/业务意义，可描述该趋势，但需注明统计上未发现显著的A:B交互效应。

内容的提问来源于stack exchange，提问作者Yao Yao