正确解释多重显着交互作用和主效应 - JMP<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />我的分析产生了下面的 p 值表。 我根据结果得出了一些结论，但考虑到多种显着的相互作用和主要影响，我不确定我是否走在正确的轨道上，特别是如果我已经走得太远了。
这项研究的初步结果表明，可溶性固形物含量和比重因年份、品种和地点而异，但对于 SSC，地点的差异取决于年份。 不同品种和地点的可滴定酸度有所不同，而且地点的差异也取决于年份。 果汁的 pH 值和总单宁因年份和品种的不同而不同。 年度因素的显着变化可以解释观察到的 SSC 和 TA 的相互作用（表 3；图 1）。
需要明确的是，我并不是寻求有关 P 值或解释的建议，而是寻求我在考虑到显着或缺乏交互作用和主要影响的情况下得出结论的能力。
1) 对于 SSC，我重新运行模型，消除了 Cultivar*Location 交互作用，因为它不显着（p = .149，a = 0.05），并且 Year*Cultivar 交互作用变得微不足道。 那么，得出主效应（年份、品种和地点）显着但地点的影响取决于年份的结论是否正确？ 我相信我是。
2）对于TA，我遵循与SSC相同的步骤，并得出相同的结论，即位置的影响取决于年份。 然而，在这种情况下，年份的主要影响实际上并不像 SSC 那样显着（p = 0.567 与 p = 0.0004）。 我的结论还好吗？
提前感谢您的任何意见！
回复：正确解释多重显着交互作用和主效应 - JMP特拉维斯，
同意，我不会评论 p 值。正如凯文指出的那样，这是现在的热门话题。然而，也许这将帮助您全面了解相互作用和主效应的意义。
对 NACL 的主效应显着：
显着的交互作用表明 NACL 效应的大小取决于第二个因素的水平。 当第二个因素的蓝色水平发挥作用时，NACL仍然很重要，甚至更重要。
您还可以进行“交叉”交互，其中主效应本身并不显着，但根据交互因素的水平却显示出显着的意义（方向相反）。因此，在这种情况下，模型中的“主效应”因素虽然“不具有统计显着性”，但仍然非常重要。 因此，我喜欢 JMP，讨厌数字表，你必须将数据放在上下文中，并探索你的数字表在知识方面向你指出了什么。 除了 Kevin 指出的 p 值之外，您还应该考虑效应大小（由于各种因素，您看到的差异有多大）。希望这会有所帮助，使用您的 p 值来帮助您区分重要与不重要的关系。
回复：正确解释多重显着交互作用和主效应 - JMP感谢您的澄清。我无意让我的评论具有破坏性；你可能知道也可能不知道最近围绕 p 值的误解和许多已发表的科学研究的不可重复性而引发的争议，但这些争议应该让我们所有人保持警惕。我无意伤害你的感情，但我仍然坚持我的言论。每当我们看到 p 值表时，警告喇叭就会响起。罗纳德·艾尔默·费舍尔 (Ronald Aylmer Fisher) 爵士本人告诫不要使用 p 值作为重要性的最终仲裁者，他确实知道他的言论来自何处。
如果交互作用很重要，我认为解释交互作用中涉及的主效应的重要性是毫无意义的（甚至可能具有误导性）。
显着的交互作用 A*B（具有可接受的设计、分析方法、效应大小、功效和诊断）意味着 A 的效应是有条件的在B级，反之亦然。将任何以另一个水平为条件的效果解释为好像不以某个固定值为条件，通常没有什么意义。
我通常还认为，当它们的相互作用很重要时，在模型中保留微不足道的主效应是一种很好的做法。
而我仍然建议您在得出任何其他结论之前寻求统计学家的帮助来审查您的设计和分析。
回复：正确解释多重显着交互作用和主效应 - JMP首先，感谢您抽出宝贵时间回复。
其次，考虑到你的评论“没有一个有自尊的统计学家会这么做”，你让其他人在不感到愚蠢的情况下回复是不可能的，我需要澄清我的帖子。 我实际上会要求您或该网站的版主重新措辞您的帖子，因为它不是建设性的而是破坏性的。
我不是在寻求对我的具体结果的解释，我不是在寻求有关 P 值的建议。 我正在寻求有关我是否遵循公认的协议来解释重要相互作用和主要影响的建议。
1）如果双向交互作用并且两个主效应都很显着，除了依赖性之外，你能对主效应做出任何结论吗？
2）如果双向交互作用只有一个主效应显着，那么对于不显着的主效应你能说什么？
我问的是能力方面我的分析是否正确，而不是内容方面。
再说一次，因为现在可能没有人会回复我的帖子，你能提供你的建议吗？
谢谢
回复：正确解释多重显着交互作用和主效应 - JMP嗨，特拉维斯！
我希望没有一个有自尊心的统计学家会查看你的 p 值表并告诉你（以某种方式）你的结论！目前整个科学领域都存在围绕 p 值的“信任危机”，许多杰出的标志性教师已经完全停止教授 p 值。
FWIW，我认为所有指标（包括 p 值）的存在都是为了提高决策，而不是取代它。
JMP 的一些伟大之处在于，人们可以相对轻松地审查许多模型诊断、影响的大小以及研究的力度等。在没有审查 p 值的情况下，不应对 p 值发表意见。首先是详细信息，用户社区讨论站点并不是任何人展示或查看详细信息的最有效的地方。
可能不是您想听到的，但我建议您保留统计学家的帮助来审查您的设计和分析。
