Stata-交乘项专题: 主效应项可以忽略吗?

 
作者：胡雨霄 (伦敦政治经济学院)
 
Stata 连享会： 知乎 | 简书 | 码云 | CSDN
 

Source: WHAT HAPPENS IF YOU OMIT THE MAIN EFFECT IN A REGRESSION MODEL WITH AN INTERACTION?

Stata连享会   计量专题 || 精品课程 || 简书推文 || 公众号合集

 

2020寒假Stata现场班

北京, 1月8-17日，连玉君-江艇主讲

2020连享会-文本分析与爬虫-现场班

西安, 3月26-29日，司继春-游万海 主讲；  (附助教招聘)

 

连享会计量方法专题……

 

对于一个带交乘项 (interaction term) 的线性回归，我们一般会通过命令

regress y x1 x2 x1#x2

来进行回归分析。该回归不仅包括交乘项 (x1#x2) 而且保留了主效应 (x1 x2)。本篇推文讨论的问题是，

当引入交乘项后，保留全部的主效应项是否必要？忽略一个或者全部的主效应项是否可行？

对于该问题，首先要明确引入主效应项和交乘项的目的何在。引入主效应项是为了区分截距，而引入交乘项是为了区分斜率。在接下来的分析中，我们会进一步阐述这句话背后的具体含义。

基于此，对于该问题的回答应为“分情况讨论”。

• 类别变量相互交乘：可以去掉主效应项，但系数含义不同。

• 类别变量与连续型变量相互交乘：（1）可以去掉连续型变量主效应项，但系数含义发生改变；（2）一般情况下，不可以去掉类别变量主效应项

• 连续型变量与连续型变量相互交乘：一般情况下，不可以去掉主效应项

下面，我们通过几个实证的例子来进一步解释说明。

1. 实例 1：类别变量相互交乘 (categorical by categorical interaction)

首先，导入数据

. use https://stats.idre.ucla.edu/stat/data/hsbanova, clear
(highschool and beyond (200 cases))

. d

variable name   type    format     label      variable label
-----------------------------------------------------------------------------------------------------------------------
id              float   %9.0g                 
female          float   %9.0g      fl         
read            float   %9.0g                 reading score
write           float   %9.0g                 writing score
math            float   %9.0g                 math score
science         float   %9.0g                 science score
socst           float   %9.0g                 social studies score
honors          float   %19.0g     honlab     honors english
grp             float   %9.0g      grp        
-----------------------------------------------------------------------------------------------------------------------
Sorted by: 

该数据记录了不同个体的性别信息 (female)，组别信息 (grp)，以及不同科目的成绩信息(read, write, math, science, socst, honors) 。

数据结构如下所示。

. list in 1/10

     +----------------------------------------------------------------------------+
     |  id   female   read   write   math   science   socst         honors    grp |
     |----------------------------------------------------------------------------|
  1. |  45   female     34      35     41        29      26   not enrolled   grp1 |
  2. | 108     male     34      33     41        36      36   not enrolled   grp2 |
  3. |  15     male     39      39     44        26      42   not enrolled   grp1 |
  4. |  67     male     37      37     42        33      32   not enrolled   grp1 |
  5. | 153     male     39      31     40        39      51   not enrolled   grp1 |
     |----------------------------------------------------------------------------|
  6. |  51   female     42      36     42        31      39   not enrolled   grp2 |
  7. | 164     male     31      36     46        39      46   not enrolled   grp1 |
  8. | 133     male     50      31     40        34      31   not enrolled   grp1 |
  9. |   2   female     39      41     33        42      41   not enrolled   grp1 |
 10. |  53     male     34      37     46        39      31   not enrolled   grp1 |
     +----------------------------------------------------------------------------+
. 

我们将既包含交乘项也包含主效应项的模型成为 “完整模型” (full model)。在这个例子中，我们对类别变量 female 以及类别变量 grp 进行交乘。

• 完整模型

. regress write i.female##i.grp

      Source |       SS           df       MS      Number of obs   =       200
-------------+----------------------------------   F(7, 192)       =     11.05
       Model |  5135.17494         7   733.59642   Prob > F        =    0.0000
    Residual |  12743.7001       192  66.3734378   R-squared       =    0.2872
-------------+----------------------------------   Adj R-squared   =    0.2612
       Total |   17878.875       199   89.843593   Root MSE        =     8.147

------------------------------------------------------------------------------
       write |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]