问询：连续变量交互项影响的替代性结果呈现方法

嘿，我看你现在用ggcoef来展示交互模型的系数，但连续变量的交互项光看系数真的不够直观——毕竟交互的核心是一个变量对因变量的影响会随着另一个变量的取值变化而改变，系数图没法把这种动态关系展示清楚。下面给你几个实用的替代可视化方法，每个都能帮你更清晰地呈现这种交互效应：

1. 交互效应折线图（最常用的直观方法） #

这种方法通过固定其中一个变量的关键取值（比如标准化后的均值、±1标准差），展示另一个变量对因变量的影响如何变化，是呈现连续交互最经典的方式：

# 加载所需包
library(ggplot2)
library(dplyr)
library(emmeans)

# 基于模型生成不同Sepal.Width水平下的预测数据
pred_data <- emmeans(ex, ~ Petal.Length | Sepal.Width, 
                     at = list(Sepal.Width = c(-1, 0, 1))) %>% # 标准化后的±1标准差和均值
  as.data.frame()

# 绘制交互折线图
ggplot(pred_data, aes(x = Petal.Length, y = emmean, color = factor(Sepal.Width))) +
  geom_line(linewidth = 1) +
  geom_ribbon(aes(ymin = lower.CL, ymax = upper.CL, fill = factor(Sepal.Width)), 
              alpha = 0.2, color = NA) +
  labs(title = "Sepal.Length vs Petal.Length at Different Sepal.Width Levels",
       x = "Standardized Petal.Length",
       y = "Predicted Standardized Sepal.Length",
       color = "Standardized Sepal.Width",
       fill = "Standardized Sepal.Width") +
  theme_minimal()

你能从图里直接看到：当Sepal.Width取不同值时，Petal.Length对因变量的斜率（影响程度）是怎么变化的，附带的置信区间还能帮你判断这种差异是否显著。

2. 交互效应热图（适合看全局趋势） #

如果想展示两个连续变量全取值范围内的交互效应，热图能帮你快速捕捉全局的变化趋势：

# 创建覆盖两个变量全范围的预测网格
grid_data <- expand.grid(
  Sepal.Width = seq(min(iris_scaled$Sepal.Width), max(iris_scaled$Sepal.Width), length.out = 30),
  Petal.Length = seq(min(iris_scaled$Petal.Length), max(iris_scaled$Petal.Length), length.out = 30)
) %>%
  mutate(predicted = predict(ex, newdata = .))

# 绘制热图
ggplot(grid_data, aes(x = Sepal.Width, y = Petal.Length, fill = predicted)) +
  geom_tile() +
  geom_contour(aes(z = predicted), color = "white", linewidth = 0.5) +
  scale_fill_viridis_c(option = "plasma") +
  labs(title = "Predicted Sepal.Length Across Sepal.Width & Petal.Length",
       x = "Standardized Sepal.Width",
       y = "Standardized Petal.Length",
       fill = "Predicted\nSepal.Length") +
  theme_minimal()

热图的颜色深浅代表预测的因变量值，白色等高线能帮你快速定位效应变化的边界，适合展示全局的交互趋势。

3. 斜率图（聚焦交互的核心：斜率变化） #

交互的本质是“斜率差异”——也就是一个变量的效应随另一个变量取值改变而变化。我们可以直接画出这种斜率的变化：

# 提取模型系数
coefs <- coef(ex)
# 定义斜率计算函数：Petal.Length的效应 = 主效应 + 交互项*Sepal.Width
slope_function <- function(sw) coefs["Petal.Length"] + coefs["Sepal.Width:Petal.Length"] * sw

# 生成Sepal.Width全范围内的斜率数据
slope_data <- tibble(
  Sepal.Width = seq(min(iris_scaled$Sepal.Width), max(iris_scaled$Sepal.Width), length.out = 100),
  slope = slope_function(Sepal.Width)
)

# 计算斜率的置信区间（利用模型的方差-协方差矩阵）
vcov_mat <- vcov(ex)
slope_se <- sqrt(
  vcov_mat["Petal.Length", "Petal.Length"] +
    slope_data$Sepal.Width^2 * vcov_mat["Sepal.Width:Petal.Length", "Sepal.Width:Petal.Length"] +
    2 * slope_data$Sepal.Width * vcov_mat["Petal.Length", "Sepal.Width:Petal.Length"]
)
slope_data <- slope_data %>%
  mutate(lower = slope - qt(0.95, df = ex$df.residual)*slope_se,
         upper = slope + qt(0.95, df = ex$df.residual)*slope_se)

# 绘制斜率图
ggplot(slope_data, aes(x = Sepal.Width, y = slope)) +
  geom_line(linewidth = 1, color = "darkblue") +
  geom_ribbon(aes(ymin = lower, ymax = upper), alpha = 0.2, fill = "darkblue") +
  geom_hline(yintercept = 0, linetype = "dashed", color = "red") +
  labs(title = "Slope of Petal.Length on Sepal.Length by Sepal.Width",
       x = "Standardized Sepal.Width",
       y = "Slope (Effect Size)") +
  theme_minimal()

这个图直接告诉你：当Sepal.Width变化时，Petal.Length对因变量的影响是增强、减弱还是方向反转。红色虚线代表“无效应”（斜率为0），如果置信区间不穿过这条线，说明在该Sepal.Width水平下，Petal.Length的效应是显著的。

内容的提问来源于stack exchange，提问作者Alex