GLM模型中主效应不显著但交互效应显著的变量取舍及报告问题

嗨，针对你的问题，绝对不要删除主效应变量，哪怕它的单独偏差检验不显著。原因很简单：当模型中包含交互项时，主效应代表的是在另一个变量取0值时该变量的效应（在你的模型里，就是当Volunteers..n.为0时，worked.out.vol.hour对total.debris的影响）。如果删掉主效应，交互项的解释会变得极其混乱，甚至失去统计意义——你无法合理解读两个变量共同作用的效应，哪怕对变量做了中心化处理，保留主效应也是规范的统计建模准则。

结果报告简洁化建议 #

• 聚焦核心发现：重点强调交互项的显著性，以及主效应在交互框架下的含义，不用罗列所有不显著的单变量（比如大部分Survey.Window水平、AAB...BW的所有水平）。
• 变量重命名：先把不规范的变量名在报告里替换成易懂的名称，比如把worked.out.vol.hour改成「志愿总时长」，Volunteers..n.改成「志愿者人数」，AAB...BW改成「组织者类型」，降低读者的理解门槛。
• 可视化辅助：可以绘制交互效应图，展示不同志愿者人数下，总时长对清理垃圾量的影响趋势，这比单纯的数值结果更直观。
• 统计结果精简：只报告关键系数的估计值、标准误和显著性，比如Beach.Region的整体效应（不用每个地区都列）、志愿者人数和总时长的主效应、交互项，以及显著的Survey.Window水平（仅2000年显著）。

模型调用代码 #

glm(formula = total.debris ~ Beach.Region + Volunteers..n. * worked.out.vol.hour + Survey.Window + AAB...BW, family = quasipoisson, data = ltype.all)

模型输出结果 #

偏差残差

Min 1Q Median 3Q Max 
-128.45 -22.71 -10.72 7.98 242.77 

系数估计

Signif. codes: 0 ‘’ 0.001 ‘’ 0.01 ‘’ 0.05 ‘.’ 0.1 ‘ ’ 1

(quasipoisson族的离散参数取为1238.943)

零偏差：3637808，自由度3737
残差偏差：2952919，自由度3715
AIC: NA
Fisher评分迭代次数：5

偏差分析结果（anova(actmod1, test="Chisq")） #

Analysis of Deviance Table
Model: quasipoisson, link: log
Response: total.debris

Terms added sequentially (first to last)
                     Df Deviance Resid. Df Resid. Dev Pr(>Chi)    
NULL                                  3737    3637808              
Beach.Region          7   141546      3730    3496262  < 2.2e-16 ***
Volunteers..n.        1   255212      3729    3241050  < 2.2e-16 ***
worked.out.vol.hour   1     1227      3728    3239823   0.31961    
Survey.Window         8    17788      3720    3222035   0.07291 .  
AAB...BW              4    27536      3716    3194499   0.00018 ***
Volunteers..n.:worked.out.vol.hour 1   241579      3715    2952919  < 2.2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

内容的提问来源于stack exchange，提问作者Sam Groves