R语言中能否将rma/rma.mv类转换为lm类以绘制交互效应？

第一个问题：仅关注交互效应时，用不支持rma.mv的plot_model函数是否有影响？ #

有严重影响。rma.mv是元分析专用的混合效应模型，它会考虑元分析特有的逆方差权重、随机效应结构（比如研究间异质性），这和普通线性模型（lm）的核心假设完全不同。sjPlot::plot_model是为标准线性模型设计的，无法识别rma.mv对象中的元分析专属参数，强行使用要么直接报错，要么计算出的交互效应边际值、置信区间完全不符合你的元分析模型假设，结果毫无参考价值。

第二个问题：能否将rma/rma.mv类转换为lm类来绘制交互效应？ #

绝对不建议这么做。rma.mv对象中包含的随机效应方差、研究权重、异质性估计等核心信息，是lm对象结构里没有的。强行转换类会直接丢失这些关键内容，画出来的图只是基于普通线性模型的虚假结果，完全不能反映你实际元分析的结论。

替代解决方案 #

方法1：用metafor的predict()+ggplot手动绘制 #

利用metafor自带的predict()函数生成交互效应的预测值和置信区间，再用ggplot2可视化，完全贴合你的元分析模型：

# 假设你的rma.mv模型如下（示例）
library(metafor)
model <- rma.mv(yi = yi, vi = vi, mods = ~ mod1 * mod2, 
                random = ~ 1 | study_id, data = your_data)

# 构造用于预测的新数据集（覆盖调节变量的取值范围）
new_data <- expand.grid(
  mod1 = unique(your_data$mod1),  # 分类调节变量的所有水平
  mod2 = seq(min(your_data$mod2), max(your_data$mod2), length.out = 100),  # 连续调节变量的取值序列
  vi = 0  # 预测时无需输入vi，设为0即可
)

# 生成预测值及置信区间
pred_results <- predict(model, newmods = model.matrix(~ mod1 * mod2, data = new_data), addx = TRUE)
new_data$pred_effect <- pred_results$pred
new_data$ci_lower <- pred_results$ci.lb
new_data$ci_upper <- pred_results$ci.ub

# 用ggplot绘制交互效应图
library(ggplot2)
ggplot(new_data, aes(x = mod2, y = pred_effect, color = mod1)) +
  geom_line(linewidth = 1) +
  geom_ribbon(aes(ymin = ci_lower, ymax = ci_upper, fill = mod1), alpha = 0.2, color = NA) +
  labs(x = "调节变量mod2", y = "预测效应量", color = "调节变量mod1", fill = "调节变量mod1") +
  theme_bw()

方法2：用emmeans包计算边际效应并绘图 #

emmeans包支持rma.mv对象，可以直接计算交互效应的边际均值，再快速可视化：

library(emmeans)
# 计算交互效应的边际均值，指定连续调节变量的取值序列
emm <- emmeans(model, ~ mod1 * mod2, at = list(mod2 = seq(min(your_data$mod2), max(your_data$mod2), length.out = 100)))
# 绘制交互效应图
plot(emm, CI = TRUE, type = "response") + theme_minimal()

内容的提问来源于stack exchange，提问作者Dustin