显示交互项影响的替代方法

这是一个关于结果交流的问题。我主要想知道两个连续变量相互作用项的效果的其他沟通方式。

我有以下结果

my_scale <- function(...) as.numeric(scale(...))

iris_scaled <- iris %>% 
  mutate_at(vars(-Species), my_scale)

ex <- lm(Sepal.Length ~ (Sepal.Width + Petal.Length)^2, data = iris_scaled)

GGally::ggcoef(ex, conf.level = 0.90, exclude_intercept = TRUE) + 
  ggtitle("Interaction of sepal width and petal length associated with 
smaller sepal length") +
  theme_classic()

在上图中,我可以看到互动术语与结果之间的关联,但当面对持怀疑态度的观众时,或者为了向自己证明这种关系,我想知道是否有其他方法可以证明互动术语确实存在。

例如,我可以想象这样一种情况:有人质疑与以下人员的交互

iris_scaled %>% 
  mutate(interaction = Sepal.Width * Petal.Length) %>% 
  ggplot(aes(y = Sepal.Length, x = interaction)) +
  geom_point() +
  geom_smooth(method = lm, se = FALSE, color = "black") +
  theme_classic()

你如何以易于理解的方式谈论互动?

编辑-一些额外的统计信息

我不想让它听起来像是我认为有交互的模型比没有交互的模型好。

请参见下面的统计信息。

我只是想讨论可视化交互的其他方法。也许 iris dataset是一个糟糕的选择,但它是第一个出现在脑海中的,因为它有两个连续变量。

> broom::glance(ex)
  r.squared adj.r.squared     sigma statistic      p.value df    logLik     AIC      BIC deviance df.residual
 0.8436057     0.8403921 0.3995096  262.5125 1.343031e-58  4 -73.18601 156.372 171.4252 23.30276         146

> ex_noint <- lm(Sepal.Length ~ Sepal.Width + Petal.Length, data = iris_scaled)
> broom::glance(ex_noint)
  r.squared adj.r.squared    sigma statistic      p.value df    logLik      AIC      BIC deviance df.residual
 0.8401778     0.8380034 0.402488  386.3862 2.933054e-59  3 -74.81209 157.6242 169.6667  23.8135         147

> anova(ex, ex_noint)
Analysis of Variance Table

Model 1: Sepal.Length ~ (Sepal.Width + Petal.Length)^2
Model 2: Sepal.Length ~ Sepal.Width + Petal.Length
  Res.Df    RSS Df Sum of Sq   F  Pr(>F)  
1    146 23.303                           
2    147 23.814 -1  -0.51075 3.2 0.07571 .
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1