Mevcut stratejinizde yanlış bir şey yok. Yalnızca iki açıklayıcı değişkeni olan çoklu bir regresyon modeliniz varsa, öngörülen regresyon düzlemini görüntüleyen bir 3D-is grafiği çizmeyi deneyebilirsiniz, ancak çoğu yazılım bunu kolaylaştırmaz. Bir başka olasılık da üç veya dört değişkeni temsil edebilecek bir koplot kullanmaktır (ayrıca: R veya bu pdf'deki coplot ), fakat çoğu kişi bunları nasıl okuyacağını bilmiyor. Temel olarak, eğer herhangi bir etkileşime sahip değilseniz, o zaman ve arasındaki öngörülen marjinal ilişki , öngörülen koşullu ile aynı olacaktır.xjyilişkiyi (artı veya eksi bir dikey kayma) diğer değişkenlerinizin herhangi bir özel seviyesinde . Böylece, sadece diğer tüm ayarlayabilirsiniz onların vasıtası ile değişkenleri ve bulmak tahmin hat ve arsa satır çiftlerinin bir dağılım üzerinde . Üstelik ile sona erecek onlar önemli değil düşünüyorsanız bunlardan bazıları şunlardır olmayabilir rağmen, bu tür araziler. (Örneğin, tek bir ilgi değişkenine ve bazı kontrol değişkenlerine sahip olan çoklu bir regresyon modeline sahip olmak ve sadece ilk böyle bir grafiği sunmak yaygındır). xxy^=β^0+⋯+β^jxj+⋯+β^px¯p(xj,y)p
Eğer Öte yandan, yapmak etkileşimleri var, o zaman en ilgilenen ve bu değişkene ve tepki değişkeni arasındaki tahmin edilen ilişkiyi çizmek edilir etkileşim değişkenlerinin, fakat aynı arsa üzerinde birkaç satır ile hangi anlamaya gerekir. Diğer etkileşimli değişken, bu satırların her biri için farklı seviyelere ayarlanır. Tipik değerler , etkileşime giren değişkenin ortalaması ve 1 SD'dir. Bunu daha açık hale getirmek için, yalnızca iki değişkenin ( ve ve aralarında bir etkileşim olduğunu ve çalışmanızın odak noktası olduğunu hayal edin , o zaman bu üç satırla tek bir arsa yapabilirsiniz:±x1x2x1
y^y^y^=β^0+β^1x1+β^2(x¯2−sx2)+β^3x1(x¯2−sx2)=β^0+β^1x1+β^2x¯2 +β^3x1x¯2=β^0+β^1x1+β^2(x¯2+sx2)+β^3x1(x¯2+sx2)