含交互项的混合效应模型效应量估算方法咨询

一、核心思路说明 #

当模型存在显著四元交互项时，主效应的解释价值有限，效应量估算需聚焦交互项的拆分解读——即分析不同变量组合下的简单效应，同时可通过整体方差解释率评估模型拟合能力。以下是三类常用效应量的具体实现方案：

二、简单效应的标准化效应量（Cohen's d） #

针对四元交互，我们通常固定其中三个变量的水平，对比第四个变量不同水平的效应，用Cohen's d衡量标准化差异，可通过emmeans+effectsize包实现：

# 加载依赖包
library(lmerTest)
library(emmeans)
library(effectsize)

# 拟合用户原模型
m1 <- lmer(A ~ B*C*D*F + (1|Item) + (1|Subject), data = data)

# 提取四元交互所有组合的边际均值
emm <- emmeans(m1, ~ B*C*D*F)

# 示例：固定C、D、F的水平，对比B不同水平的Cohen's d（自动校正多重比较）
contrast_d <- pairs(emm, by = c("C", "D", "F"), adjust = "bonferroni") %>%
  effsize()

# 查看各组合下的简单效应量
print(contrast_d)

• by = c("C", "D", "F")：指定在每个C、D、F的组合下，对比B的水平差异
• adjust = "bonferroni"：校正多重比较的Type I错误，也可替换为"fdr"等其他方法

三、模型整体方差解释率（R²） #

用边际R²（仅固定效应，含所有主效应与交互项）和条件R²（固定+随机效应）评估模型整体解释力，通过performance包实现：

library(performance)

# 计算模型的R²指标
r2_values <- r2(m1)

# 输出结果
print(r2_values)

• R2_marginal：固定效应（含四元交互）解释的因变量方差比例
• R2_conditional：固定效应+随机效应共同解释的方差比例

四、交互项的方差解释占比（η²/Ω²） #

针对四元交互项本身，计算部分η²（控制其他固定效应后的方差解释率）或Ω²（更保守的小样本估计），通过effectsize包实现：

library(effectsize)

# 计算所有固定效应的部分η²与Ω²
es <- eta_squared(m1, partial = TRUE, omega_squared = TRUE)

# 筛选出四元交互项的结果
fourway_es <- es[es$Parameter == "B:C:D:F", ]

# 查看交互项的效应量
print(fourway_es)

• partial = TRUE：计算部分η²，排除其他固定效应的干扰
• omega_squared = TRUE：同时输出更稳健的Ω²指标

关键注意事项 #

1. 四元交互的效应量需结合具体分组的简单效应解读，单独的整体交互效应量参考价值有限；
2. 进行多组简单效应对比时，必须添加多重比较校正，避免假阳性结果。

内容的提问来源于stack exchange，提问作者user9974638