背景：我试图显示一些变量的增加超过time，所以最初我运行了一个简单的线性回归。但是，我对数据进行了子集化，以便我可以获得每个组合的回归估计species（reef这将表明每年的变化）。

整个回归看起来像

lm(Density ~ Time, data=data, subset=ReefSpecies=="ReefSpecies1).

下面我展示了Density其中一个响应变量 whereLittle Grecian, etc = Reef和的输出O. annularis, etc = Species。有 3 个显着和 2 个边缘显ReefSpecies着time。第二列是estimate，第三列是F-value，最后一列是p-value。

当然，我对输出很满意，但我也想建立一个线性模型，看看是什么导致了我的响应变量的这种增加/减少/没有变化。

线性模型看起来像这样：lm(Density ~ Species + I(Chl_zoox^0.25) + Season + TN + Biomass + Turbidity + FvFm + Time, data=Seasonal)输出表明这time是不显着的。

Reef*Species*Time最后，有人告诉我，如果我用（例如）的三向交互进行回归，lm(Density ~ I(Chl_zoox^0.25) + Season + TN + Biomass + Turbidity + FvFm + Species*Reef*Time, data=Seasonal)理论上我会得到与简单线性回归（lm(Density ~ Time, data=data, subset=ReefSpecies=="ReefSpecies1)）相同的估计值。显然，情况并非如此，我收到NA了一些输出。

问题：

1.为什么多元回归和简单回归的显着性有差异？

据我了解，多元回归具有更大的力量，因此应该仍然很重要。

2.我认为我可能错误地解释了相互作用，但似乎简单回归中的估计不等于（但接近）多元回归估计（例如 -Jaap - O. faveolata = -0.2504在简单回归中但在多元回归中0.001487 + 0.092568 + 0.559377 - 0.818717 = -0.1652）。

我如何解释这种交互以获得相似的值？为什么它们不重要？

3.NA交互输出中的处理是什么？这与多重共线性有关吗？