为何adonis2分析中Season*Area无交互项输出？

使用R语言adonis2函数执行PERMANOVA检验，脚本如下：

nmds.div <- adonis2(nmds.dist ~ Season*Area, data = Type0, permutations = 999, method="bray")

其中：

• Season包含3个水平：March、May、Sept
• Area包含2个水平：Pacific、Atlantic
• 因变量为基于OTU读数的Bray-Curtis距离矩阵

原本期望查看Season与Area的交互项，但输出仅包含Season和残差项：

Df SumOfSqs      R2      F Pr(>F)    
Season    2   6.4903 0.27066 8.9066  0.001 ***
Residual 48  17.4889 0.72934                  
Total    50  23.9792 1.00000  

而采用相同代码格式分析Cruise与Layer3时，可正常输出交互项Cruise:Layer3：

nmds.div <- adonis2(nmds.dist ~ Cruise*Layer3, data = Type0, permutations = 999, method="bray")

输出结果：

Df   SumOfSqs         R2        F Pr(>F)
Cruise         2  6.4903090 0.27066356 9.787264  0.001
Layer3         1  0.4029121 0.01680253 1.215168  0.311
Cruise:Layer3  2  2.1654176 0.09030381 3.265409  0.002
Residual      45 14.9206109 0.62223010       NA     NA
Total         50 23.9792496 1.00000000       NA     NA

交叉表显示Season与Area的样本分布：

table(Type0$Season, Type0$Area)

输出：

Pacific Atlantic
  Mar        16        0
  May        27        0
  Sept        0        8

疑问：为何相同代码对Cruise*Layer3有效，对Season*Area无效？自变量是否存在限制？

核心问题是Season与Area的样本完全分离，存在完全共线性（部分单元格无样本）：

• March、May的样本全部来自Pacific，没有Atlantic的样本
• Sept的样本全部来自Atlantic，没有Pacific的样本

这种情况下，交互项无法被估计：

1. 交互项的作用是检验不同Season在不同Area中的效应是否存在差异，但由于每个Season仅对应单一Area，没有交叉的样本组（比如March-Atlantic、Sept-Pacific均无数据），无法计算交互项的方差，因此adonis2会自动舍弃该交互项，甚至连Area的主效应也无法估算——因为Area的变异完全被Season的变异所解释。

而Cruise与Layer3的样本分布不存在这种完全分离的情况，每个Cruise水平都对应不同的Layer3水平，有足够的交叉样本支撑，因此可以正常估计交互项。

1. 补充样本：若要检验Area的主效应或交互效应，需补充缺失单元格的样本（比如采集March在Atlantic、Sept在Pacific的样本）。
2. 合并分组：若无法补充数据，可将Season与Area合并为一个新的分组变量（如Mar_Pacific、May_Pacific、Sept_Atlantic）进行分析，但这种方式无法区分主效应与交互效应。

内容的提问来源于stack exchange，提问作者locopoko