解释分类变量和连续变量之间交互的系数的答案包含一个短语，该短语似乎对引入因子时如何在多重回归中解释系数有一些重大影响：

如果模型中存在分类变量的处理对比，则进一步影响的估计基于分类变量的参考水平。[..]

请注意，系数的估计是基于因素的参考类别（如果使用治疗对比）。在这种情况下，效果适用于$race = white$,$sex = male$， 和$educa = 1$. 无论因子的水平如何，它们都不会测试数字变量的整体影响。

问题：在多元回归中包含一个因素如何影响其他系数的解释（无论是数字预测变量还是交互作用）？

考虑Fox 2003中的这个例子：

require(effects)
require(lmtest)
Arrests$year <- as.factor(Arrests$year)
arrests.mod <- glm(released ~ employed + citizen + checks
                         + colour*year + colour*age,
                         family=binomial, data=Arrests)

产生：

> coeftest(arrests.mod)

z test of coefficients:

                       Estimate Std. Error  z value  Pr(>|z|)    
(Intercept)           0.3444334  0.3100749   1.1108 0.2666514    
employedYes           0.7350645  0.0847701   8.6713 < 2.2e-16 ***
citizenYes            0.5859841  0.1137717   5.1505 2.598e-07 ***
checks               -0.3666425  0.0260322 -14.0842 < 2.2e-16 ***
colourWhite           1.2125167  0.3497751   3.4666 0.0005272 ***
year1998             -0.4311794  0.2603589  -1.6561 0.0977023 .  
year1999             -0.0944343  0.2615447  -0.3611 0.7180519    
year2000             -0.0108975  0.2592073  -0.0420 0.9664655    
year2001              0.2430630  0.2630151   0.9241 0.3554129    
year2002              0.2129549  0.3532786   0.6028 0.5466444    
age                   0.0287279  0.0086191   3.3330 0.0008590 ***
colourWhite:year1998  0.6519565  0.3134898   2.0797 0.0375555 *  
colourWhite:year1999  0.1559504  0.3070430   0.5079 0.6115161    
colourWhite:year2000  0.2957537  0.3062034   0.9659 0.3341076    
colourWhite:year2001 -0.3805413  0.3040538  -1.2516 0.2107305    
colourWhite:year2002 -0.6173178  0.4192551  -1.4724 0.1409086    
colourWhite:age      -0.0373729  0.0102003  -3.6639 0.0002484 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

鉴于我们有employed={no,yes}和模型中citizen={no,yes}的因素year={1997,..,2002}......

colourWhite:age = -0.0373729这是否意味着该系数严格限于仅描述1997 年失业、非公民和被捕者的肤色和年龄之间的相互作用？