在
自变量B的两个水平上，自变量A从A1到A2的变化引起的
因变量的变化趋势一致，只是变化幅度不一致。这里的交互效应掩盖了自变量A在自变量B不同水平上的效应量的差异。很明显，在B1上平上，A的效应量大于其在B2水平上的效应量。图d,图a:交互效应显著，A的主效应也显著，这时A的效应方向可能会被交互效应歪曲。在a图中，A的变化在B1的水平上引起了因变量的显著变化，但在B2水平上却未引起因变量的变化，这就是说A的变化不是在任何情况下都会引起因变量的变化的，它依赖于自变量B的水平；在d图中，虽然A的变化在B的两个水平上都引起了因变量的明显变化，但是变化的方向正好相反，从其主效应看，A的水平提高可以促进因变量分数的提高，但实际情况是，当A在B1水平上提高时，反而会导致因变量分数的下降。所以在这种情况下，显著的交互效应掩盖或歪曲了自变量A的作用机制：它在B的不同水平上效应量是不同的。图c、e、f：交互效应显著，A的主效应却不显著，实际上是交互效应掩盖了A的效应。我们从这些图示中可以明显看到A的效应，但
方差分析结果却会显示A的主效应不显著，这是因为A在B的两个水平上的效应方向相反，计算A的主效应时A1和A2的差异量被掩盖在了平均过程中。 所以，如何依据自变量主效应和其与其它自变量的交互效应来进行结果分析呢？这一点很简单：当方差分析结果显示A的主效应及A与其它自变量的交互效应都不显著时，则说明A的效应真的不明显；当方差分析的结果显示A的主效应不显著但A与其它自变量的交互效应显著时，则说明A其实是对因变量有明显作用的，即A的效应其实是存在的，只不过其效应的大小和方向依赖于其它自变量的不同水平。-----就是主效应和与其它自变量的交互效应都要看。应该记住，一个因子的主效应是对其在另外一个因子所有不同水平下观测分数的平均而得到的，而这种平均的结果可能很难准确地反映每种具体实验处理的效应。“总之，交互效应可能会掩盖或歪曲两个因子中任何一个因子的主效应。因此，只要是交互效应达到了统计学上的
显著性水平，你在就主效应问题作出结论前都要仔细考察具体的数据变化。