交互作用的深入剖析

1.原理说明

交互作用(Interaction effect)指两个或多个因素（比如A因素和B因素）对于某项（比如身高）的影响时，A因素和B因素各个水平之间是否存在着相互作用关系。比如A因素为性别，B因素为区域，男性并且北方群体时身高如何，男性并且南方群体时身高如何，也或者女性并且北方群体时身高如何，女性并且南方群体时身高如何。性别的2个水平（男和女），与区域的2个水平（北方和南方）之间有没有交互。

简单言之：身高效应 = 性别 + 区域 + 性别*区域。如果交互项（性别*区域）并不具有显著性，此时说明具有交互效应。

交互效应的分析上，交互项的设置非常关键，其显著性即代表是否存在着交互效应。接下来具体说明交互项设置。

2.交互项设置

第1部分简要阐述交互作用的简要应用，本部分介绍交互项的设置，如下表格说明：

 

• A定类B定类。此时直接使用SPSSAU的双因素方差进行研究即可，并且选中‘二阶效应’即可，并不需要提前进行交互项设置处理。
• A定类B定量。此时共有两种处理方式，分别是‘定量转定类法’和‘哑变量乘积法’，如下表格说明：

将定量数据转化成定类数据，相当于将定量数据进行分组，变相地变成定类数据，然后使用双因素方差分析时，选中‘二阶效应’即可进行分析。

哑变量乘积法时，将A因素进行哑变量处理，然后将得到的哑变量分别与B因素相乘，即得到交互项，至于后续分析方法，通常是使用ols线性回归。

• A定量B定类。完全参照‘A定类B定量’即可。
• A定量B定量。此时可分别将A或者B进行‘定量转定类法’处理，也或者直接将A乘B得到交互项，至于后续分析方法，通常使用ols线性回归。

3.SPSSAU操作

第2部分中讲述交互项基本原理，接下来讲解SPSSAU操作，分别分为四部分。以及操作时使用数据如下图：

上述案例数据的说明如下表格：

项	说明
Index	编号，无特别意义
A定类	学历：专科以下、专利等，定类数据
B定类	职业：学生、专业技术人员等，定类数据
A定量	连续数据
B定量	连续数据
Y	连续数据

4.A定类B定类

A和B均为定类数据时，直接使用双因素方差分析，并且选中‘二阶效应’即可，最终通过交互项去判断交互作用。如下图操作：

 二阶效应事实上就是‘交互作用’，如果有更多复杂的操作需要，可考虑选中‘简单效应’这种更复杂的分析功能。

2.A定类B定量

A定类B定量时，如果希望将B转化为定类数据，此时可使用SPSSAU数据处理->数据编码功能，里面提供范围编码或数字编码等，如下图所示：

 

SPSSAU->数据处理->数据编码

数据编码相对简单易懂，暂不赘述。接下来说明‘哑变量乘积法’，其分为两个步骤，第1步是生成哑变量，第2步是乘积。

第1步哑变量设置，如下操作截图：

 

SPSSAU->数据处理->生成变量，处理后得到5个新标题如下图：

由于学历是5项，因而其会得到5个哑变量，具体原理可参考页面：

第2步乘积，如下操作截图：

由于有5个哑变量，那么重复进行的话就会有5个交互项，操作如上图。

接着后续进行分析时，切记，有5个哑变量（或5个交互项），以及通常使用ols线性回归进行交互作用分析，那么一定要少放1项（即参照项），至于是少放‘专科以下’，也或者‘博士’，由研究者决定，少放的该项即为参照项。将得到的交互项放入模型中即可，交互项的显著性即可表示是否具有交互效应用。

3.A定量B定类

此部分内容参考3.2进行即可

4.A定量B定量

如果A和B均为定量，可分别将A和B进行转化，设置成定类数据，参考3.2部分进行即可。

如果是直接相乘得到交互项，那么操作如下图，2个定量数据进行相乘得到1个交互项，操作如下图：

 

接着后续进行分析时，通常使用ols线性回归进行交互作用分析，将得到的交互项放入模型中即可，交互项的显著性即可表示是否具有交互效应用。