Kijk als voorbeeld eens naar dit plaatje:
R:
ggplot(data.frame(x=factor(c(1,1,2,2),
labels=c('controle', 'experimenteel')),
y=c(3, 3, 1, 5), gender=factor(c(1,2,1,2),
labels=c('male', 'female'))),
aes(x=x, y=y, group=gender, color=gender)) +
geom_point(size=2) + geom_line(size=1) + theme_bw(base_size=16);
Zou je hier kunnen zeggen dat 'het effect in de algemene populatie gelijk is aan 0', terwijl er op elk individu in de populatie een effect is dat ongelijk is aan 0?
Of, bij een additieve interactie:

R:
ggplot(data.frame(x=factor(c(1,1,2,2),
labels=c('controle', 'experimenteel')),
y=c(1, 1, 3, 5), gender=factor(c(1,2,1,2),
labels=c('male', 'female'))),
aes(x=x, y=y, group=gender, color=gender)) +
geom_point(size=2) + geom_line(size=1) + theme_bw(base_size=16);
Zou je hier kunnen zeggen dat het effect in de algemene populatie gelijk is aan +3, terwijl je weet dat het effect ofwel gelijk is aan +2, ofwel aan +4, maar nooit aan +3?
Dit klopt statistisch en wiskundig wel, maar het effect van 0 en +3 bestaat voor niemand in de populatie.
Als je niet had geweten dat er interactie is, had je in dit laatste geval geconcludeerd dat het effect van de manipulatie +3 was. En dat was dan even fout geweest als dat je in het eerste geval had geconcludeerd dat het effect van de manipulatie 0 was.
Denk er aan: het resultaat van onderzoek is de schatting van een effectsize, of beter nog, een betrouwbaarheidsinterval om een effectsize schatting. Het is belangrijk dat die accuraat is.
Het is dus intuitief om te denken dat een hoofdeffect, is een situatie waar er interactie is, een soort 'uitgemiddelde representatie is van de simple effects', en statistisch/wiskundig is dat waar; maar die uitgemiddelde representatie 'mapt' niet meer terug naar de realiteit zeg maar. Hij gaat niet langer over 'de echte wereld': er is niemand voor wie dat effect bestaat. Het bijbehorende betrouwbaarheidsinterval is voor geen enkele doelgroep een accurate schatting - omdat je dus weet dat het effect conditioneel is op een andere variabele.
Desalniettemin is het handig om te weten dat, bijvoorbeeld, in het eerste geval, een effect afwezig lijkt als de betreffende moderator buiten beschouwing wordt gelaten. Maar om te stellen dat dat hoofdeffect 'het effect in de populatie' representeert, is niet accuraat. Dat effect is conditioneel op de moderator, en je weet dus niet wat dat effect is als je de moderator niet kent. Het klopt wel weer dat je meest accurate schatting, als je de moderator niet kent, dat hoofdeffect zou zijn. Maar je zou dan ook weten dat je er sowieso naast zit (i.e. je vermindert je risico door in het midden te gaan zitten zeg maar :-)).
Wat Kraemer en Blasey bedoelen weet ik niet; msch dat het de beste schatting voor de algemene populatie is (maar dan zou ik nog zeggen: het is niet netjes die te geven/rapporteren als je weet dat het effect conditioneel is op een derde variabele), maar kan ook zijn dat ze iets anders bedoelen; nu alleen geen tijd om dat artikel weer te lezen, sorry :-)