在lm()中添加/移除交互项为何改变单个预测变量的显著性？

这是个很经典的ANCOVA模型解释误区，我来给你拆解一下为什么会出现这种矛盾结果：

首先先明确你的两个模型：

model <- lm(trait~size*population, data=d)
model2 <- lm(trait~size+population, data=d)

核心原因1：两个模型中population主效应的含义完全不同 #

• 带交互项的模型里，population的主效应估计的是当size=0时，不同种群的trait差异——但你的size数据均值在42左右，size=0是完全超出数据范围的极端值，这个估计不仅没有实际生物学意义，而且因为离真实数据分布太远，标准误会非常大，直接导致t值极小、看起来不显著。
• 不带交互项的模型里，population的主效应是控制了size的线性影响后，两个种群trait的平均差异，这才是我们通常关心的「调整后组间差异」，这个结果更贴合实际研究需求，所以能检测到显著效应。

核心原因2：样本量极度不平衡放大了差异 #

看你的数据集，population A有53个样本，而population B只有15个，样本量差距极大。这种情况下：

• 加入交互项会进一步消耗模型自由度，让小样本组的参数估计稳定性更差；
• 主效应的估计会被大样本组的特征主导，小样本组的信号被稀释，最终导致带交互模型里population的效应看起来不显著。

核心原因3：交互项的存在改变了主效应的计算逻辑 #

哪怕交互项本身不显著，它的引入也会让模型的参数估计逻辑发生变化：交互项本质是检验两组的回归线斜率是否不同，当它在模型中时，主效应不再是「平均组间差异」，而是参考组在特定size值下的效应——结合样本不平衡的问题，就会出现这种看似矛盾的显著性结果。

给你的实用建议 #

• 先做可视化验证：画散点图（x=size，y=trait，按population分组），再拟合两条回归线。从你的交互项t值(-0.14)来看，两条线几乎平行，所以不带交互项的模型更适合你的数据。
• 解释模型时一定要区分主效应的含义，不要直接对比两个模型的主效应显著性，因为它们衡量的是完全不同的指标。
• 针对样本不平衡问题，可以检查population B是否存在异常值，或者用稳健回归方法再验证结果，确保结论可靠。

附你的数据集代码（方便复现）：

d <- structure(list(ID = c("rat1", "rat2", "rat3", "rat4", "rat5", "rat6", "rat7", "rat8", "rat9", "rat10", "rat11", "rat12", "rat13", "rat14", "rat15", "rat16", "rat17", "rat18", "rat19", "rat20", "rat21", "rat22", "rat23", "rat24", "rat25", "rat26", "rat27", "rat28", "rat29", "rat30", "rat31", "rat32", "rat33", "rat34", "rat35", "rat36", "rat37", "rat38", "rat39", "rat40", "rat41", "rat42", "rat43", "rat44", "rat45", "rat46", "rat47", "rat48", "rat49", "rat50", "rat51", "rat52", "rat53", "rat54", "rat55", "rat56", "rat57", "rat58", "rat59", "rat60", "rat61", "rat62", "rat63", "rat64", "rat65", "rat66", "rat67", "rat68"), population = c("A", "A", "A", "B", "B", "B", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "A", "B", "B", "B", "B", "B", "B", "B", "B", "B", "B", "B", "B", "B", "B", "B"), size = c(39.72, 46.72, 38.37, 40.8, 46.57, 35.93, 51.69, 40.97, 45.39, 43.67, 43.68, 39.2, 45.07, 42.11, 46.91, 45.99, 42.43, 41.36, 42.54, 38.41, 42.35, 40.79, 45.32, 43.67, 46.34, 40.26, 39.09, 49.2, 47.85, 45.14, 42.38, 44.2, 41.22, 41.52, 45.12, 45.63, 44.15, 40.18, 47.88, 43.86, 42.79, 43.99, 47.22, 43.78, 41.84, 42.99, 37.9, 44.21, 47.82, 45.26, 45.97, 44.99, 40.48, 42.27, 43.85, 41.1, 42.11, 41.9, 38.17, 46.08, 37.75, 40.92, 38.69, 46.34, 39.3, 49.76, 43.69, 37.18), trait = c(3.657, 4.096, 3.186, 4.286, 3.901, 2.882, 4.666, 4.635, 4.93, 4.264, 4.329, 3.493, 5.142, 4.859, 4.272, 3.5, 4.199, 4.434, 4.278, 3.211, 4.382, 3.941, 4.525, 4.547, 4.08, 4.345, 3.827, 4.822, 4.363, 4.229, 4.063, 4.605, 3.803, 4.008, 4.775, 3.949, 4.308, 4.048, 4.697, 3.951, 3.488, 3.705, 3.408, 4.458, 3.834, 4.057, 3.318, 4.04, 4.596, 4.931, 4.294, 3.817, 4.16, 4.304, 3.67, 4.273, 4.194, 3.461, 3.072, 3.692, 3.019, 3.17, 3.095, 3.785, 3.814, 4.131, 3.639, 3.385)), class = "data.frame", row.names = c(NA, -68L))

内容的提问来源于stack exchange，提问作者8armed