如果它很重要，那么治疗会对结果产生影响。

这个说法有点问题。如果 p 值是 0.049999，这意味着如果结果组和治疗之间实际上没有关联，那么获得这个结果或更极端的结果的概率是 0.049999。但是，如果 p 值为 0.0500001，这意味着如果结果组和治疗之间实际上没有关联，那么获得该结果或更极端的结果的概率为 0.0500001。现在，如果您的显着性水平为 0.05，则在第一种情况下，您会声称“治疗对结果有影响”。在第二种情况下，您不会。但是，结果基本相同。因此，最好不要依赖 p 值来声称存在“效果”。

另外，我建议您完全避免使用“效果”一词，因为人们通常会将其解释为因果关系。您发现的是一种关联，它在某个任意级别上可能重要也可能不重要。

至于主要问题，在这种情况下将时间居中是一个好主意，以便更有意义地解释截距：

如果我以时间为中心，那么我得到 (-2,-1,0,1,2)，所以本质上只是第三个时间点的平均结果？

是的，前提是变量是数字而非分类变量。

但是，要使 2 级回归有意义，我需要的是（我认为）所有时间点的结果变量的平均值。

这不太有意义，但这取决于您的其他变量是什么。您说它们是“离散的”，但这是否意味着它们是整数 1、2、3、4（如时间变量），或者它们是分类的，例如“蓝色”、“绿色”、“黑色”？在前一种情况下，它与时间相同，因此当变量为 0 时，截距将是结果的平均值，如果这是有道理的，您可以保持原样 - 否则居中会更好。但是，在后一种情况下（分类），如果您正在使用的软件使用对比编码，这通常是默认设置）截距是分类变量处于其参考水平时结果的平均值，