基于MICE插补数据，在R中实现仅交互项回归模型及LR卡方检验

先给你理清R公式的关键细节：你之前用的~A*B其实是R的语法糖，等价于~A+B+A:B，所以两种写法结果完全一致，都会包含主效应和交互项。如果想要仅保留A和B的纯交互项（不含任何主效应），得用:表示纯交互，同时显式去掉默认的截距项，公式写成Y ~ 0 + A:B或者Y ~ A:B - 1都可以。

接下来针对MICE插补后的数据集，一步步实现你要的LR卡方检验：

1. 拟合仅含截距项的基准模型 #

用with()函数对每个插补后的子集拟合仅截距模型，之后用pool()合并插补结果：

# 仅截距模型
fit_null <- with(data = imp, lm(Y ~ 1))
# 合并插补结果
pooled_null <- pool(fit_null)

2. 拟合仅含纯交互项的目标模型 #

同样用with()拟合纯交互模型（必须去掉截距，否则R会自动加入截距，模型就不是纯交互项了）：

# 仅纯交互项模型（去掉截距）
fit_interaction_only <- with(data = imp, lm(Y ~ 0 + A:B))
# 合并插补结果
pooled_interaction <- pool(fit_interaction_only)

你可以用summary(pooled_interaction)查看合并后的系数，确认输出里只有A和B各水平组合的交互项，没有单独的A或B主效应项。

3. 执行LR卡方检验（比较两个嵌套模型） #

对于MICE的多插补模型，不能直接用普通的anova()函数，得用mice包自带的pool.compare()函数来比较两个嵌套模型（仅截距模型 vs 纯交互项模型）：

# 执行似然比检验
lr_result <- pool.compare(fit_interaction_only, fit_null, method = "likelihood")
# 查看检验结果
print(lr_result)

输出结果里会包含LR卡方值、自由度和对应的p值，这就是你需要的检验统计量。

额外提醒 #

• 如果你不小心写成Y ~ A:B（没去掉截距），R会自动加入截距项，此时模型其实是Y ~ 1 + A:B，这和你要的纯交互项模型不一样，一定要注意去掉截距。
• pool.compare()的method="likelihood"参数指定用似然比检验，这正是你需要的LR卡方检验方法。

内容的提问来源于stack exchange，提问作者ksroogl