我不确定我是否完全理解你的主管的建议，但我在选择如何创建图表时使用的原则是确保图表代表我在论文中报告的分析。基于这个原则，我会使用任何模型来创建你在论文中报告的图表。因此，如果您要报告以下模型：

$y = var1 + var2 + var1 * var2$

然后我会使用这个模型来获得你在图表上绘制的预测值。另一方面，如果您要报告以下模型：

$y = var1 + var2 + var3 + var4 + var5 + var6 + var7 + var8 + var9 + var1 * var2$

然后我会绘制$var1 * var2$当您获得图形的预测值时，来自此模型的交互，均值居中 var3 到 var9。

假设带有控制变量的模型是您在论文中报告的模型，我已经包含了一些 R 代码模拟数据并使用下面的这些数据创建图表。您可能需要考虑绘制您的$y$为您的各种控制变量边缘化的点；如果您不知道如何执行此操作，我将在此处描述如何完成此操作。

# Set the seed
set.seed(2314)

# Create the data
dat <- matrix(NA, nrow = 200, ncol = 9)
colnames(dat) <- paste0("var", 1:9)
dat <- data.frame(dat)
for(i in 1:9)
{
  dat[, paste0("var", i)] <- rnorm(200, sd = 1)
}
dat$y <- .5 * dat$var1 + .5 * dat$var2 + .5 * dat$var1 * dat$var2 + rnorm(200, sd = 1)

# Fit the model
mod <- lm(y ~ var1 * var2 + var3 + var4 + var5 + var6 + var7 + var8 + var9, data = dat)

# Create a matrix of desired predicted values for the model.  I am holding the control variables
# constant at their means
pX <- expand.grid(var1 = seq(min(dat$var1), max(dat$var1), by = .1), 
                  var2 = c(mean(dat$var2) - sd(dat$var2), mean(dat$var2) + sd(dat$var2)),
                  var3 = mean(dat$var3),
              var4 = mean(dat$var4),
                  var5 = mean(dat$var5),
              var6 = mean(dat$var6),
                  var7 = mean(dat$var7),
              var8 = mean(dat$var8),
                  var9 = mean(dat$var9)
                  )

# Get the predicted values
pY <- predict(mod, pX)

# Create a plotting space
plot(dat$var1, dat$y, frame = F, type = "n", xlab = "var1", ylab = "y")

# Plot the points.  Points for var1 below the median on var2 are plotted in red, 
# points for var1 above the median on var2 are plotted in blue
points(dat[dat$var2 < median(dat$var2), "var1"], dat[dat$var2 < median(dat$var2), "y"], pch = 16, cex = .5, col = "red")
points(dat[dat$var2 >= median(dat$var2), "var1"], dat[dat$var2 >= median(dat$var2), "y"], pch = 16, cex = .5, col = "blue")

# Plot the lines. Lines are colored to be consistent with the points
lines(pX[pX$var2 == mean(dat$var2) - sd(dat$var2), "var1"], pY[pX$var2 == mean(dat$var2) - sd(dat$var2)], col = "red", lwd = 2)
lines(pX[pX$var2 == mean(dat$var2) + sd(dat$var2), "var1"], pY[pX$var2 == mean(dat$var2) + sd(dat$var2)], col = "blue", lwd = 2)

可能值得明确说明您的提案有什么问题以及为什么您应该遵循@Patrick 回答中给出的建议：

首先，如果您使用的模型涉及交互中涉及的两个预测变量之外的其他预测变量，您显然需要为所有这些变量指定值才能使用模型进行预测。

其次，即使您只对显示预期响应的形式感兴趣$\operatorname{E} Y$针对两个预测器，$x_1$&$x_2$，考虑当完整模型是

$$\operatorname{E} Y = \beta_0 + \beta_1 x_1 + \beta_2 x_2 + \beta_3 x_3 + \ldots + \beta_8 x_8 + \beta_{12} x_1x_2$$

并且您适合简化模型

$$\operatorname{E} Y = \beta_0^* + \beta_1^* x_1 + \beta_2^* x_2 + \beta_{12}^*x_1x_2$$

做$\beta_1=\beta_1^*$,$\beta_2=\beta_2^*$, &$\beta_{12}=\beta_{12}^*$?

回答：-

不是一般的——只有当你在实验设计中煞费苦心以确保正交性时。因此，这两个模型的交互图可能看起来完全不同。