排除time影响后绘制treatment_type对score的影响[R, lm(), lmer()]

阿华AIGC实验室

2026-5-19

回答你的多层建模绘图相关问题

首先得明确：你说的「排除time因素影响，绘制treatment_type对score的影响」，本质上是想展示调整了time后的treatment_type边际效应——这在多层建模里是完全合理且常用的分析方式，下面逐个解答你的问题：

一、这种方法是否恰当？

完全恰当！当你想剥离time的干扰，直观呈现不同treatment_type组间score的真实差异时，绘制调整后的边际效应是比单纯看回归系数更易懂的方式。对于lme4拟合的多层模型，你可以通过「固定time为某个有意义的值（比如均值），生成不同treatment_type下的预测score+置信区间」来实现可视化。

给你个实操示例代码：

library(lme4)
library(ggplot2)
library(emmeans) # 用来高效计算边际效应和置信区间

# 1. 拟合包含time和treatment_type的多层模型
model <- lmer(score ~ time + treatment_type + (1|group), data = your_data)

# 2. 计算调整time后的treatment_type边际效应
# 这里把time固定在均值，排除其影响
emm <- emmeans(model, ~ treatment_type, at = list(time = mean(your_data$time)))
emm_df <- as.data.frame(emm)

# 3. 绘图
ggplot(emm_df, aes(x = treatment_type, y = emmean, ymin = lower.CL, ymax = upper.CL)) +
  geom_pointrange(size = 0.8) +
  labs(title = "Treatment Type vs. Adjusted Score (Controlling for Time)",
       y = "Adjusted Score", x = "Treatment Type") +
  theme_minimal()

用emmeans包比手动生成预测值更高效，还能直接得到置信区间，非常适合这类调整协变量后的效应可视化。

二、纳入time与treatment_type的交互项时，该方法是否仍适用？

当然适用！当模型包含交互项（比如score ~ time * treatment_type + (1|group)），意味着不同treatment组中time对score的影响趋势不同。这时候你需要展示的是不同time节点下，treatment_type的边际效应差异，或者反过来，每个treatment组的score随time变化的趋势（同时控制其他变量）。

示例代码如下：

# 1. 拟合带交互项的多层模型
model_interact <- lmer(score ~ time * treatment_type + (1|group), data = your_data)

# 2. 计算交互项的边际效应：覆盖全time范围的多个节点
emm_interact <- emmeans(model_interact, ~ treatment_type | time, 
                        at = list(time = seq(min(your_data$time), max(your_data$time), length.out = 10)))
emm_interact_df <- as.data.frame(emm_interact)

# 3. 绘图：展示不同treatment组的score随time变化的趋势
ggplot(emm_interact_df, aes(x = time, y = emmean, color = treatment_type, 
                            ymin = lower.CL, ymax = upper.CL)) +
  geom_line(linewidth = 1) +
  geom_ribbon(alpha = 0.2, color = NA) +
  labs(title = "Treatment Type vs. Score (With Time Interaction)",
       y = "Adjusted Score", x = "Time") +
  theme_minimal()

如果图中不同treatment组的折线斜率差异明显，正好能直观体现交互效应的意义。