据我所知，这个问题以前从未被问过。有几个问题涉及相关问题，但据我所知，他们都没有为这个问题提供明确的答案。此外，在至少一种情况下，最赞成和第二次赞成的答案隐含地彼此不同意。
当交互作用显着时，教科书经常告诫不要在双向方差分析中解释主效应。这是一个（温和的）示例，来自 Hatcher 的“使用 SAS 的逐步基本统计：学生指南”的 pp562-563：
当您执行双向 ANOVA 时，您可能会发现 (a) 交互作用项具有统计显着性，并且 (b) 一个或两个主效应也具有统计显着性。当你准备一份总结结果的报告时，你肯定会讨论你的重要互动的性质。但是，讨论和解释显着的主要影响是否也可以接受？
在回答这个问题时，统计学家之间存在一些分歧。一些统计学家认为，如果交互作用显着，则根本不应该解释主效应，即使它们很显着。其他人则采取不那么极端的方法。他们说解释显着的主效应是可以接受的，只要对结果的主要解释侧重于相互作用（如果它是显着的）。
我是否正确地假设强硬立场（“你根本不应该解释主要影响”）是不正确的，但是如果交互效应显着，解释必须改变吗？如果是这样，解释如何变化？
这个问题比看起来要少。真正的答案不是你根本无法解释主要影响，而是很难正确解释它们。警告不解释主效应的原因是因为人们不可避免地会错误地解释它们。
如果模型中不包含交互项，则主效应具有直截了当的含义：相关因素的水平之间是否存在差异？如果模型中存在交互，则主效应并不意味着。事实上，它们的含义很难传达，这取决于模型的拟合方式和测试方式。在摘要中，我无法准确地告诉您它们在任何给定模型中的含义。但是，如果没有交互，则将它们解释为不正确的。 对于这个问题，重要的不是交互是否显着，而是交互是否首先包含在模型中。
如果交互对于您的目的而言足够不显着，并且您想要测试和解释主要影响，最简单的做法是放弃交互并重新拟合/重新测试模型。请注意，此过程（如果不是先验的）带有关于钓鱼的所有常见警告以及对假设检验有效性的威胁。
这是个有趣的问题。因为我不喜欢粗略的概括，所以我不同意如果存在交互，你应该“永远不要”解释主要影响的建议。永远不要太强（即使有些人可能会争辩说，在某些明确的情况下，交互会告诉你你需要知道什么。为此，我将提供一个反例和一个指向《消费者心理学杂志》上一篇论文的链接，其中编辑提出并回答了这个精确的问题。
在论文中，提出了以下问题：我能否在不检验简单或主效应的情况下基于交互作用显着得出结论？
这是给出的假设情况：
“研究人员预测两个变量（一个连续变量，另一个二分变量）之间的交叉交互作用，该变量通过包含适当主效应和交互作用项的线性对比回归模型进行测试。交互作用项接收一个显着的系数。然后研究人员得出结论，数据支持预测的交互。这是一个适当的结论吗？更具体地说，考虑到与预测的数据模式不同的数据模式（例如，非交叉模式、相反方向的交叉模式）可能会发生显着的交互，是不需要进行适当的简单主效应检验来确定数据是否真正支持交叉交互作用预测的差异？”
编辑提供的论点/响应支持始终报告该主要影响，即使存在交互也是如此（展示一个反例）：
“是的，必须为声称用统计数据描述数据的声明辩护。你为回归描述的场景就像在 ANOVA 中获得 A×B 交互的显着 F 检验，然后不做进一步调查——也就是说, 细胞均值图和简单效应检验都可以准确地证实关于哪些均值彼此显着不同的主张。您绝对正确，仅与交互项相关的显着回归系数不会产生有关性质的详细信息“
虽然其他人可能不同意，但我同意作者提出的论点，并发现反例足以拒绝您所描述的强硬主张，即如果交互作用显着，则不应解释主要影响。
当您进行交互时，真正的问题是主要影响（显着与否）是“描述性的”还是“误导性的”。
这是一个具有显着交互作用和“描述性”主要影响的数据示例，用于任务演示（计算机总体上优于纸质，对于简单任务和困难任务）
这里有两个数据示例，它们对任务演示具有显着的交互作用和“误导性”的主要影响（计算机总体上比纸上做得更好，但对于简单任务和困难任务都不是）
这是一个“误导”的空主效应示例，因为尽管任务演示没有主效应，但对于简单任务和困难任务都有任务演示效应。
有点长的答案，但这是一个重要的问题。
这是包含这些示例的PowerPoint 文件和课程.