正確解釋多重顯著交互作用和主效應 - JMP<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />我的分析產生了下面的 p 值表。 我根據結果得出了一些結論，但考慮到多種顯著的相互作用和主要影響，我不確定我是否走在正確的軌道上，特別是如果我已經走得太遠了。
這項研究的初步結果表明，可溶性固形物含量和比重因年份、品種和地點而異，但對於 SSC，地點的差異取決於年份。 不同品種和地點的可滴定酸度有所不同，而且地點的差異也取決於年份。 果汁的 pH 值和總單寧因年份和品種的不同而不同。 年度因素的顯著變化可以解釋觀察到的 SSC 和 TA 的相互作用（表 3；圖 1）。
需要明確的是，我並不是尋求有關 P 值或解釋的建議，而是尋求我在考慮到顯著或缺乏交互作用和主要影響的情況下得出結論的能力。
1) 對於 SSC，我重新運行模型，消除了 Cultivar*Location 交互作用，因為它不顯著（p = .149，a = 0.05），並且 Year*Cultivar 交互作用變得微不足道。 那麼，得出主效應（年份、品種和地點）顯著但地點的影響取決於年份的結論是否正確？ 我相信我是。
2）對於TA，我遵循與SSC相同的步驟，並得出相同的結論，即位置的影響取決於年份。 然而，在這種情況下，年份的主要影響實際上並不像 SSC 那樣顯著（p = 0.567 與 p = 0.0004）。 我的結論還好嗎？
提前感謝您的任何意見！
回复：正確解釋多重顯著交互作用和主效應 - JMP特拉維斯，
同意，我不會評論 p 值。正如凱文指出的那樣，這是現在的熱門話題。然而，也許這將幫助您全面了解相互作用和主效應的意義。
對 NACL 的主效應顯著：
顯著的交互作用表明 NACL 效應的大小取決於第二個因素的水平。 當第二個因素的藍色水平發揮作用時，NACL仍然很重要，甚至更重要。
您還可以進行“交叉”交互，其中主效應本身並不顯著，但根據交互因素的水平卻顯示出顯著的意義（方向相反）。因此，在這種情況下，模型中的“主效應”因素雖然“不具有統計顯著性”，但仍然非常重要。 因此，我喜歡 JMP，討厭數字表，你必須將數據放在上下文中，並探索你的數字表在知識方面向你指出了什麼。 除了 Kevin 指出的 p 值之外，您還應該考慮效應大小（由於各種因素，您看到的差異有多大）。希望這會有所幫助，使用您的 p 值來幫助您區分重要與不重要的關係。
回复：正確解釋多重顯著交互作用和主效應 - JMP感謝您的澄清。我無意讓我的評論具有破壞性；你可能知道也可能不知道最近圍繞 p 值的誤解和許多已發表的科學研究的不可重複性而引發的爭議，但這些爭議應該讓我們所有人保持警惕。我無意傷害你的感情，但我仍然堅持我的言論。每當我們看到 p 值表時，警告喇叭就會響起。羅納德·艾爾默·費舍爾 (Ronald Aylmer Fisher) 爵士本人告誡不要使用 p 值作為重要性的最終仲裁者，他確實知道他的言論來自何處。
如果交互作用很重要，我認為解釋交互作用中涉及的主效應的重要性是毫無意義的（甚至可能具有誤導性）。
顯著的交互作用 A*B（具有可接受的設計、分析方法、效應大小、功效和診斷）意味著 A 的效應是有條件的在B級，反之亦然。將任何以另一個水平為條件的效果解釋為好像不以某個固定值為條件，通常沒有什麼意義。
我通常還認為，當它們的相互作用很重要時，在模型中保留微不足道的主效應是一種很好的做法。
而我仍然建議您在得出任何其他結論之前尋求統計學家的幫助來審查您的設計和分析。
回复：正確解釋多重顯著交互作用和主效應 - JMP首先，感謝您抽出寶貴時間回复。
其次，鑑於你的評論“沒有一個有自尊的統計學家會這樣做”，你讓其他任何人都無法在不感到愚蠢的情況下回复，我需要澄清我的帖子。 我實際上會要求您或該網站的版主重新措辭您的帖子，因為它不是建設性的而是破壞性的。
我不是在尋求對我的具體結果的解釋，我不是在尋求有關 P 值的建議。 我正在尋求有關我是否遵循公認的協議來解釋重要相互作用和主要影響的建議。
1）如果雙向交互作用並且兩個主效應都很顯著，除了依賴性之外，你能對主效應做出任何結論嗎？
2）如果雙向交互作用只有一個主效應顯著，那麼對於不顯著的主效應你能說什麼？
我問的是能力方面我的分析是否正確，而不是內容方面。
再說一次，因為現在可能沒有人會回复我的帖子，你能提供你的建議嗎？
謝謝
回复：正確解釋多重顯著交互作用和主效應 - JMP嗨，特拉維斯！
我希望沒有一個有自尊心的統計學家會查看你的 p 值表並告訴你（以某種方式）你的結論！目前整個科學領域都存在圍繞 p 值的“信任危機”，許多傑出的標誌性教師已經完全停止教授 p 值。
FWIW，我認為所有指標（包括 p 值）的存在都是為了提高決策，而不是取代它。
JMP 的一些偉大之處在於，人們可以相對輕鬆地審查許多模型診斷、影響的大小以及研究的力度等。在沒有審查 p 值的情況下，不應對 p 值發表意見。首先是詳細信息，用戶社區討論站點並不是任何人展示或查看詳細信息的最有效的地方。
可能不是您想听到的，但我建議您保留統計學家的幫助來審查您的設計和分析。
