linear-regression - 在 lmer 中解释两个交互项的影响的正确方法是什么？

Question

我有兴趣研究时间对抗体水平的影响，以及这种关系如何受到性别和年龄相互作用的影响。这就是我建立模型的方式。我已经为重复测量包括了一个随机截距。

model <- lmer(Antibody ~  Time + (Sex*Age)+ (1|PID), data=metadata)

这是结果

Linear mixed model fit by maximum likelihood . t-tests use Satterthwaite's method ['lmerModLmerTest']
Formula: Antibody ~ Time + (Sex * Age) + (1 | PID)
   Data: metadata

     AIC      BIC   logLik deviance df.resid 
   441.0    461.3   -213.5    427.0      128 

Scaled residuals: 
     Min       1Q   Median       3Q      Max 
-2.14160 -0.28264 -0.01453  0.26966  2.27572 

Random effects:
 Groups   Name        Variance Std.Dev.
 PID      (Intercept) 1.8039   1.343   
 Residual             0.3003   0.548   
Number of obs: 135, groups:  PID, 95

Fixed effects:
                                                   Estimate Std. Error         df t value Pr(>|t|)    
(Intercept)                                        6.717567   0.263584 134.327633  25.485  < 2e-16 ***
Time                                              -0.013952   0.002131  54.645901  -6.547 2.13e-08 ***
Sex                                                0.740442   0.299279  92.341423   2.474   0.0152 *  
Age                                               -0.101281   0.227621  92.276736  -0.445   0.6574    
Sex.Male:Age                                       0.655921   0.307147  91.570395   2.136   0.0354 * 

我如何解释这个输出？男性和年龄之间的显着相互作用是否意味着年龄较大的男性在更长的时间内具有更高的抗体？如果不是，我应该如何制定模型来测试年龄和性别的相互作用对抗体持续时间的影响？

提前致谢

标签： linear-regressionlme4nlme