【计量】调节效应专题
以应用为主,定义少量,回顾数学原理时(if这个都要回顾)需要自己辅助查阅资料
Aknowledge:
- https://www.lianxh.cn/blogs/21.html;
- http://mattgolder.com/interactions#code%E3%80%82;
1. What & Why
1.1 调节效应的基本内涵
1.2 调节效应 vs 中介效应
1.3 调节效应 vs 分组回归
1.4 调节效应的内涵
2. How
2.1 如何检验调节效应——交乘项
- Y = β 0 + β 1 X + β 2 M + β 3 X M + u Y=\beta_0+\beta_1X+\beta_2M+\beta_3XM+u Y=β0+β1X+β2M+β3XM+u
- 为降低多重共线性——交叉项中心化: Y = β 0 + β 1 X + β 2 M + β 3 ( X − X ‾ ) ( M − M ‾ ) + u Y=\beta_0+\beta_1X+\beta_2M+\beta_3(X-\overline{X})(M-\overline{M})+u Y=β0+β1X+β2M+β3(X−X)(M−M)+u
2.2 如何展示调节效应
2.2.1 边际效应(与边际效应图)
- 何为边际效应:
∂
Y
∂
X
=
β
1
X
+
β
3
M
\frac{ \partial Y}{ \partial X } = \beta_1X+\beta_3M
∂X∂Y=β1X+β3M or
∂
Y
∂
X
=
β
1
X
+
β
3
(
M
−
M
‾
)
\frac{ \partial Y}{ \partial X } = \beta_1X+\beta_3(M-\overline{M})
∂X∂Y=β1X+β3(M−M),因此可以理解成X对Y影响的斜率随M而变化
- 例子:X 成绩,Y 喜爱程度,M 美貌度。美貌度越高,则成绩对喜爱程度的影响越大(同一成绩下,美貌度更高,更喜欢)
- 如何表现边际效应——边际效应图
- 横轴 M(覆盖整个定义域[Min,Max]),纵轴
M
E
(
X
∣
M
)
=
∂
Y
∂
X
=
β
1
X
+
β
3
M
ME(X|M)= \frac{ \partial Y}{ \partial X}=\beta_1X+\beta_3M
ME(X∣M)=∂X∂Y=β1X+β3M
- 截距项:当M=0时,X对Y的边际效应为 β 0 \beta_0 β0
- 斜率项:M每增加一单位,X对Y的边际效应变化 β 3 \beta_3 β3。
- 补充性建议
- 当存在某种理论假说,认为X和M的边际效应都有一些额外预测时,需要补充M的边际效应图
- 需要考察【检验交互效应的五项预测】—— M 取 Max/Min 时的 ME(X|M)(
β
1
X
+
β
3
M
m
i
n
\beta_1X+\beta_3M_{min}
β1X+β3Mmin 与
β
1
X
+
β
3
M
m
a
x
\beta_1X+\beta_3M_{max}
β1X+β3Mmax);X 取 Max/Min 时的 ME(M|X)(
β
2
M
+
β
3
X
m
i
n
\beta_2M+\beta_3X_{min}
β2M+β3Xmin 与
β
2
M
+
β
3
X
m
a
x
\beta_2M+\beta_3X_{max}
β2M+β3Xmax);X边际效应 ME(X|M) 与 M 的 相关性(
β
3
\beta_3
β3正负性)
- 多数情况下,我们会更多地关注以下情况的边际效应:M为样本均值或特定分位数;
- 当存在dummy variables时,一般采用分组分析边际效应
- 任一预测的违反 ≠ 整体条件理论的违反
- 综合考虑 统计意义显著性 和 实质意义显著性/经济显著性
- 建议在边际效应图上叠加横轴变量的频率分布图
- 建议在每个边际效应图中汇报交乘项的系数,以及t值或标准误
- 横轴 M(覆盖整个定义域[Min,Max]),纵轴
M
E
(
X
∣
M
)
=
∂
Y
∂
X
=
β
1
X
+
β
3
M
ME(X|M)= \frac{ \partial Y}{ \partial X}=\beta_1X+\beta_3M
ME(X∣M)=∂X∂Y=β1X+β3M
- 怎么绘制——Stata
2.2.2 交互效应图 —— 可视化调节效果
https://www.lianxh.cn/news/29ab818725ff0.html