如何在R中分析连续预测变量与重复测量变量的交互效应及事后检验？

一、替代SPSS的分析方法 #

你可以通过两种方式实现交互效应的检验与事后分析：

1. 用afex包做重复测量ANCOVA+事后检验 #

afex是专门处理方差分析的工具包，对重复测量设计支持友好，能直接完成交互效应的事后比较。示例代码如下：

# 安装并加载依赖包
install.packages(c("afex", "emmeans"))
library(afex)
library(emmeans)

# 假设数据为长格式：id（被试ID）、C（连续协变量）、RM（4水平重复测量因子）、DV（因变量）
# 拟合重复测量ANCOVA模型
ancova_model <- aov_ez(id = "id", dv = "DV", data = your_data,
                       between = NULL, within = "RM", covariate = "C")

# 检验C*RM交互的事后效应：对比不同RM水平下C的斜率差异
emm_obj <- emmeans(ancova_model, ~ RM * C)
pairs(emm_obj, simple = "RM", adjust = "bonferroni")

上述代码会输出各RM水平间，连续变量C对因变量DV的影响（斜率）的两两比较结果，帮你定位交互效应的具体来源。

2. 混合效应模型（无随机效应也适用） #

你担心无随机效应的混合模型是否合适：实际上，当没有被试水平的随机效应时，混合模型等价于重复测量ANCOVA，完全可以使用。如果你的重复测量数据存在被试内相关，建议保留被试随机截距（(1|id)），这更符合重复测量数据的结构。示例代码：

library(lme4)
# 带被试随机截距的混合模型（推荐）
lmer_model <- lmer(DV ~ C * RM + (1|id), data = your_data)

# 若确认无随机效应，也可以用普通线性模型
lm_model <- lm(DV ~ C * RM, data = your_data)

二、混合模型交互项系数的解读 #

假设RM的四个水平中，RM1被设为参考水平（R默认会把因子的第一个水平作为参考），模型输出的系数含义如下：

• C：在RM的参考水平（RM1）下，C每增加1个单位，DV的平均变化量（即RM1组中C对DV的回归斜率）。
• RM2：当C=0时，RM2水平与RM1水平的DV均值差异。
• C:RM2：RM2水平下C的斜率 减去 RM1水平下C的斜率的差值。若该系数显著，说明RM2和RM1中C对DV的影响程度存在差异，这就是交互效应的具体体现。
• 同理，C:RM3、C:RM4分别代表RM3、RM4与RM1的斜率差值。

三、混合模型的事后检验操作 #

用emmeans包可以直接对混合模型的交互效应做事后比较，聚焦于各RM水平下C的斜率差异：

library(emmeans)
# 提取各RM水平下C的斜率
slope_emm <- emtrends(lmer_model, ~ RM, var = "C")
# 两两比较斜率差异，采用Bonferroni校正
pairs(slope_emm, adjust = "bonferroni")

内容的提问来源于stack exchange，提问作者AmitKai