• 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:

    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。

    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:

    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。

  • 相关阅读:
    简约高效,定制片头片尾时长,视频剪辑更得心应手!
    云服务器和物理服务器的区别在哪
    我不应该用JWT的!
    风控蓝宝书《消费信用模型 定价、利润与组合》笔记
    07_03文件系统怎么玩的
    用Java写PTA7-10 InputMismatchException异常
    小程序排名第三-我又焦虑了
    新唐NUC980使用记录:自制开发板(基于NUC980DK61YC)
    JavaScript混淆工具大比拼:JScrambler和JShaman哪个更胜一筹?
    一套用了 70 年的计算机架构 —— 冯·诺依曼架构
  • 原文地址:https://blog.csdn.net/m0_37228052/article/details/128084282