Немного прищемить
«Теперь многие примеры из учебников говорят мне, что, если взаимодействие имеет существенный эффект, основные эффекты не могут быть интерпретированы»
Я надеюсь, что это не так. Они должны сказать, что если существует член взаимодействия, скажем, между X и Z, называемый XZ, то интерпретация отдельных коэффициентов для X и для Z не может интерпретироваться так же, как если бы XZ не присутствовал. Вы можете определенно интерпретировать это.
вопрос 2
Если взаимодействие имеет теоретический смысл, то нет причин не оставлять его, если только соображения статистической эффективности по какой-то причине не перевешивают опасения по поводу неправильной спецификации и не позволяют вашей теории и вашей модели расходиться.
Учитывая , что вы уже оставили его, а затем интерпретировать вашу модель , используя краевые эффекты таким же образом , как если бы взаимодействие было значительным. Для справки я включил ссылку на Brambor, Clark and Golder (2006), в которой объясняется, как интерпретировать модели взаимодействия и как избежать распространенных ошибок.
Подумайте об этом так: у вас часто есть контрольные переменные в модели, которые оказываются несущественными, но вы не должны (или не должны) вырезать их при первых признаках пропущенных звезд.
Вопрос 1
Вы спрашиваете, можете ли вы «заключить, что два предиктора влияют на ответ?» Видимо, вы можете, но вы также можете сделать лучше. Для модели с термином взаимодействия вы можете сообщить, какое влияние эти два предиктора фактически оказывают на зависимую переменную (предельные эффекты) таким образом, который не зависит от того, является ли взаимодействие значительным или даже присутствует в модели.
Суть
Если вы удаляете взаимодействие, вы переопределяете модель. Это может быть разумно сделать по многим причинам, некоторым теоретическим и некоторым статистическим, но упрощение интерпретации коэффициентов не входит в их число.