3. 交互作用的统计本质

在单因素实验的语境下讨论交互作用，首先要澄清一个容易被忽略的事实：交互作用并不是“两个因素都有效果”这么简单，而是一个因素的效应大小依赖于另一个因素所处的水平。用统计语言表述，若因素 A 的效应（A 在高水平与低水平之间响应均值的差）在因素 B 的不同水平上不相等，则称 A 与 B 存在交互作用。这个定义是对称的：A 的效应随 B 变化，等价于 B 的效应随 A 变化。理解这一点，是判断“单因素实验是否会漏掉真实结构”的关键。

一、从可加模型到交互项：模型中的表达方式

设响应为 y，因素 A 取水平 a_i，因素 B 取水平 b_j，最朴素的可加模型写作：

y_ij = μ + α_i + β_j + ε_ij        （无交互的可加模型）
y_ijk = μ + α_i + β_j + (αβ)_ij + ε_ijk   （含交互项的双因素模型）

其中 μ 为总均值，α_i 为 A 的主效应，β_j 为 B 的主效应，(αβ)_ij 为交互效应，ε 为随机误差。交互项不是随意添加的“补丁”，它有明确的约束与自由度：在平衡设计下，(αβ)_ij 满足行、列求和为零的约束，其自由度为 (a−1)(b−1)。这一自由度直接决定了方差分析中交互项能否被检验——若每个处理组合只有一个观测（无重复），交互项与误差项的自由度会完全混淆，此时交互作用不可估计，只能假定其不存在，这正是单因素逐一试验最容易踩的坑。

从效应分解的角度看，交互效应可以写成“格子均值减去两个主效应与总均值”的残差形式：(αβ)_ij = ȳ_ij − ȳ_i· − ȳ_·j + ȳ_··。这个式子说明：交互作用就是可加模型解释不了的那部分系统性偏差。若数据完全符合可加结构，该残差在期望上为零；一旦它显著偏离零，就说明两个因素在联合起作用。

二、定量交互与定性交互

按交互的形态，通常区分两类。以下数值均为教学示例中的合理假设，用于说明判断逻辑，并非实测结果。

定量交互（ ordinal interaction）：A 的效应在 B 的两个水平上方向相同、大小不同。例如某发酵工艺中，温度从 30℃ 升到 34℃，在低接种量下产率提高 4 个百分点，在高接种量下提高 9 个百分点。两条响应曲线不平行但不相交，A 始终是“升温和有利”，只是幅度受 B 调节。这类交互在实践中相对温和，主效应仍有解释意义，但最优水平的选取需要结合另一因素。

定性交互（disordinal interaction）：曲线发生交叉，A 的效应方向随 B 反转。例如催化剂 A 在低温下优于催化剂 B，在高温下却劣于 B。此时“哪个催化剂更好”这个问题没有唯一答案，必须回答“在什么温度下”。定性交互是单因素实验最危险的失效模式：若固定温度只做催化剂单因素比较，得到的结论在另一温度区间可能完全颠倒。

三、图形化：交互作用图怎么读

交互作用图以因素 A 的水平为横轴、响应均值为纵轴，用不同颜色或线型画出因素 B 各水平的折线。读图遵循三条规则：平行→无交互；不平行但不交叉→定量交互；交叉→定性交互。同时要注意纵轴刻度：把刻度压缩或拉伸会人为放大或掩盖“不平行”的视觉印象，因此图中应标注真实均值与误差范围，避免仅凭斜率差异下结论。

四、与单因素实验的衔接：为什么必须提前判断

把上述统计结构放回单因素实验的流程中，可以得到一个明确的判断链。若两个因素在机理上可能共同影响同一响应（例如温度与催化剂、pH 与底物浓度、转速与装液量），则单因素逐一扫描时，每个因素的最优值都是在其余因素被固定在某个特定水平下得到的。当交互为定量型，这个最优值可能只是偏移；当交互为定性型，这个最优值可能完全错误。因此，在单因素实验之前，应先用专业知识或少量两因素组合试验（哪怕每个组合仅 2～3 次重复）估计交互项是否显著，再决定是否值得投入全因子或部分因子设计。

一个可操作的检查清单如下，用于在单因素阶段识别交互风险：

• 列出所有因素，标出机理上可能共享同一响应通道的因素对；
• 对每个可疑因素对，至少安排 2×2 的组合，每组重复 ≥2 次，使交互项自由度可估计；
• 拟合含交互项的模型，报告交互项 F 值与 p 值，并绘制交互作用图判断定量/定性；
• 若交互显著且为定性型，停止“固定其他因素”的单因素策略，转入多因素设计；
• 若交互不显著，可继续单因素扫描，但仍需在最终验证中复核关键因素对。

需要强调的是，交互项的显著性检验依赖于误差估计。重复次数不足时，即使真实存在交互，检验也可能因功效过低而“不显著”，从而被误判为可加。因此，把“交互不显著”直接等同于“无交互”是危险的；更稳妥的表述是“在当前样本量与误差水平下未检出显著交互”，并据此保留对关键因素对的复核。