本文详细介绍了在Stata中如何分析交叉项（交乘项），指出线性交互作用假设（LIE）的局限性，并提供了数据可视化方法如线性交互作用诊断图（LID plot）进行模型检验。文章强调了共同支持的重要性，并提出箱型估计量和核估计量作为更有效的估计工具。此外，还分享了interflex命令的使用，以帮助研究者更好地处理交互效应模型。
Source：Jens Hainmueller, Jonathan Mummolo and Yiqing Xu, 2018, How Much Should We Trust Estimates from Multiplicative Interaction Models? Simple Tools to Improve Empirical Practice
原文作者：
原文链接：http://yiqingxu.org/papers/english/2018_HMX_interaction/main.pdf
推文作者：刘聪聪 (中山大学)，陈点点 (中国人民大学)
2019暑期“实证研究方法与经典论文”专题班-连玉君-江艇主讲
文章目录
连享会交乘项\交叉项专题推文系列
- Stata: 交叉项\交乘项该这么分析！
- Stata：交乘项该如何使用？
- Stata：边际效应分析
- Stata：图示连续变量的边际效应(交乘项)
- Stata：图示交互效应\调节效应
- 加入交乘项后符号变了!?
- [转载]Stata: 使用 SEM 估计调节-中介效应
1. 问题介绍
交叉项探讨的是结果变量 Y，处理变量 D 和调节变量 X 三个变量的关系。
实证研究应用中经常犯两个错误：
- 错误1 模型设定错误，假设交叉项的影响是线性的
- 错误2 数据缺乏共同支持
1.1 模型设定错误: LIE 假设
交叉项模型普遍设定为形如下式的回归方程：
(1) Y = μ + η X + α D + β ( D ⋅ X ) + Z γ + ϵ \tag{1} Y=\mu+\eta X+\alpha D+\beta (D\cdot X)+Z\gamma +\epsilon Y=μ+ηX+αD+β(D⋅X)+Zγ+ϵ(1)
式中，Z 为控制变量， μ \mu μ 为常数项， ϵ \epsilon ϵ 为干扰项。
该模型隐含了一个关键假设——线性交互作用假设（linear interaction effect assumption, 下文简写为 LIE） ，即处理变量 D 对结果变量 Y 的边际效应为
最低0.47元/天 解锁文章
扫一扫
4万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
