Если я хорошо понимаю ваш вопрос, вот пример, который воспроизводит вашу ситуацию:
# create a normaly distributed random variable and 3 factors with 2 levels : 0 and 1
a = rnorm(3, n = 100)
b = rbinom(100, 1, 0.2)
c = rbinom(100, 1, 0.7)
d = rbinom(100, 1, 0.5)
df <- data.frame(a, b=as.factor(b), c=as.factor(c), d=as.factor(d)) # create a dataframe
mod <- lm(a ~ b + b:c + b:d, data = df) # fit linear regression model
summary(mod)
# Call:
# lm(formula = a ~ b + b:c + b:d, data = df)
#
# Residuals:
# Min 1Q Median 3Q Max
# -2.3638 -0.7926 0.1332 0.7963 2.5876
#
# Coefficients:
# Estimate Std. Error t value Pr(>|t|)
# (Intercept) 2.69310 0.27043 9.959 2.25e-16 ***
# b1 -0.10971 0.54447 -0.202 0.841
# b0:c1 0.05097 0.28810 0.177 0.860
# b1:c1 0.69217 0.55119 1.256 0.212
# b0:d1 0.10487 0.27033 0.388 0.699
# b1:d1 0.06647 0.52216 0.127 0.899
# ---
# Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
#
# Residual standard error: 1.186 on 94 degrees of freedom
# Multiple R-squared: 0.03121, Adjusted R-squared: -0.02032
# F-statistic: 0.6057 on 5 and 94 DF, p-value: 0.6957
Переменная b имеет два уровня: 0 и 1. Таким образом, в выводе Summary () вы можете увидеть оценку «b1», определенную относительно уровня «b0». То же самое для взаимодействий: у вас есть оценка взаимодействия "b0: c1", определенная относительно "b0: c0", и "b1: c1" для "b1: c0" и т. Д. Как сказал G5W, никакого значения здесь повторяется.
Чтобы увидеть оценки всех уровней взаимодействия, вы можете, например, использовать функцию allEffects () из пакета 'effect':
allEffects(mod)
# model: a ~ b + b:c + b:d
#
# b*c effect
# c
# b 0 1
# 0 2.693097 2.744071
# 1 2.583384 3.275555
#
# b*d effect
# d
# b 0 1
# 0 2.693097 2.797964
# 1 2.583384 2.649854