我在 R 中运行一个回归模型，包括以下变量：
分类变量是虚拟编码的。我在 R 中运行了以下回归：
model 4 = glm(Intent ~ Story + Style + Attitude + Story*Style)
此回归的结果可在模型 4 下找到：
自然，R 将一种故事类型和一种风格设置为参考组，在我的例子中是消费者故事和 Amiable 风格。我唯一的问题是，我如何才能为这些参考群体得出结论？
我的目标是能够说“对于分析型风格，在呈现产品故事时购买意图是最积极的”。结果显示，Product*Analytical 的系数为 1.063。但是，我如何才能得出与 Amiable 人类似的结论呢？
欢迎任何帮助<3
首先，使用分类预测变量的默认 R 处理编码，当所有其他预测变量都处于参考（分类预测变量）或 0 水平（连续预测变量，似乎是）时，诸如此类的事物的各个系数Story Vision是它们与结果的关联。Brand Attitude因此，该Story Vision系数专门针对具有 的情况Style Amiable。同样，Style Driver系数适用于具有 的情况Story Consumer。模型截距（我没有看到报告）是 、 和 的组合的Style Amiable预期Story Consumer结果Brand Attitude = 0。
其次，虽然 的交互作用系数Story Product : Style Analytical的数值为 1.063，但高相关标准误差 (0.727) 表明您无法可靠地将其值与 0 区分开来。不要过度解释这些值。
第三，您的数据集可能太小而无法容纳所有这些交互项。在模型 4 中，您需要估计 108 个案例和 16 个回归系数，比率小于 7/1。您通常需要大约 15/1 的比率，以避免过度拟合此类数据。您的 Model 3（无交互）具有更可靠的 15/1 比率。模型 4略高R-squared可能是由于数据过拟合；该模型可能不适用于新数据样本。
第四，您已经证明这Brand Attitude与结果密切相关。当您有足够的数据来支持比模型 3 更复杂的模型时，您可能会考虑评估该预测变量与Style和/或Story类别的交互，这可能比在各种Style和Story类别之间看到的相对较弱的交互更重要。
@EdM 提出了有效的观点——首先阅读这些观点。仅供参考，您可以使用emmeans包获得感兴趣的效果及其置信区间。例如：
library(emmeans)
# Toy data: add a dummy categorical variable to the Iris dataset
iris$Style <- rep(LETTERS[1:3], 50)
iris
Sepal.Length Sepal.Width Petal.Length Petal.Width Species Style
1 5.1 3.5 1.4 0.2 setosa A
2 4.9 3.0 1.4 0.2 setosa B
3 4.7 3.2 1.3 0.2 setosa C
4 4.6 3.1 1.5 0.2 setosa A
5 5.0 3.6 1.4 0.2 setosa B
...
拟合模型：
fit <- glm(data= iris, Sepal.Length ~ Species * Style)
summary(fit)
...
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 5.05294 0.12486 40.470 < 2e-16 ***
Speciesversicolor 0.71765 0.17657 4.064 7.97e-05 ***
Speciesvirginica 1.70331 0.17931 9.499 < 2e-16 ***
StyleB -0.04118 0.17657 -0.233 0.816
StyleC -0.10294 0.17931 -0.574 0.567
Speciesversicolor:StyleB 0.28934 0.25166 1.150 0.252
Speciesvirginica:StyleB -0.26801 0.25166 -1.065 0.289
Speciesversicolor:StyleC 0.35588 0.25166 1.414 0.160
Speciesvirginica:StyleC -0.08272 0.25359 -0.326 0.745
...
获得边际意味着：
emmeans(fit, spec= ~Style|Species)
Species = setosa:
Style emmean SE df lower.CL upper.CL
A 5.05 0.125 141 4.81 5.30
B 5.01 0.125 141 4.76 5.26
C 4.95 0.129 141 4.70 5.20
Species = versicolor:
Style emmean SE df lower.CL upper.CL
A 5.77 0.125 141 5.52 6.02
B 6.02 0.129 141 5.76 6.27
C 6.02 0.125 141 5.78 6.27
Species = virginica:
Style emmean SE df lower.CL upper.CL
A 6.76 0.129 141 6.50 7.01
B 6.45 0.125 141 6.20 6.69
C 6.57 0.125 141 6.32 6.82
例如，这表明这A是物种 setosa 中最高的风格，尽管 A、B 和 C 彼此之间并没有令人信服的不同。