R语言lm线性模型输出Group与Treatment全水平独立交互效应方法

默认lm()采用处理效应参数化逻辑：对因子变量自动选取第一个水平作为参照组，所有输出的系数均为相对于参照组的差值。
你当前的模型中Group为三水平因子（A/B/C），默认输出的两个交互项本质是「B组的Treatment效应与A组效应的差值」「C组的Treatment效应与A组效应的差值」，并非每个水平独立对应的交互效应。单纯在公式末尾加-1仅消除截距项，并未改变模型默认的对比逻辑，输出的是各组与Treatment组合的单元格均值，并非独立的交互效应估计值，自然不符合预期。

方案1：显式构造无参照的哑变量交互（零拟合偏差） #

该方法和你最初的双因素交互模型拟合结果完全等价，仅调整参数展示形式，不会损失自由度、不会改变拟合优度，输出结果可直接读取每个水平对应的独立交互效应。

# 第一步：为Group的每个水平生成无截距的独立哑变量
group_dummy <- model.matrix(~0 + Group, data = df)
colnames(group_dummy) <- paste0("Group", levels(df$Group)) # 重命名为GroupA/GroupB/GroupC

# 合并到原始数据框
df_ext <- cbind(df, group_dummy)

# 第二步：构造无独立主效应的交互模型，保证参数空间与原模型完全一致
mod_full <- lm(volume ~ 0 + GroupA + GroupB + GroupC +
                 GroupA:Treatment + GroupB:Treatment + GroupC:Treatment,
               data = df_ext)

# 第三步：直接提取所有交互项的完整统计结果
summary(mod_full)$coefficients[grepl("Group.*Treatment", 
                                      rownames(summary(mod_full)$coefficients)),]

输出结果会直接对应三个独立条目：GroupA:Treatment、GroupB:Treatment、GroupC:Treatment，每个条目的系数、标准误、t值、p值，都是直接检验对应Group水平下Treatment的独立效应，不存在参照组的差值换算。模型总自由度与你最初写的volume ~ Group*Treatment完全一致，没有拟合偏差。

方案2：基于单元格均值推导交互效应 #

如果不想手动生成哑变量，可以直接将Group和Treatment的组合作为独立因子纳入无截距模型，再推导每个组的Treatment效应：

# 生成Group和Treatment的全组合因子
df_ext$combo <- interaction(df_ext$Group, df_ext$Treatment)

# 无截距模型估计每个组合的均值
mod_combo <- lm(volume ~ 0 + combo, data = df_ext)

# 提取每个组合的系数，根据Treatment的编码计算对应组的斜率（交互效应）
# 例如Treatment为二分类变量（0=对照，1=处理），则A组交互效应 = A组处理均值 - A组对照均值
coef_tab <- summary(mod_combo)$coefficients

该方法的拟合结果和原模型完全一致，但需要手动计算差值得到交互效应值，出错概率略高于第一种显式构造的方法。

• 反复调整因子参照水平逐个输出交互项的方法效率极低：每调整一次参照水平只能拿到一个组相对于旧参照的差值，需要多次跑模型凑齐结果，还容易出现标准误计算不一致的问题。
• 不需要在模型中额外加入单独的Treatment主效应项，否则会触发共线性秩亏，导致系数估计异常。
• 该参数化方法输出的交互项含义，和你原模型通过换算得到的各水平Treatment效应完全等价，统计检验效力没有损失。

内容的提问来源于stack exchange，提问作者Lili