忽略交互效应后果很严重，审稿人很生气！

凡是搞计量经济的，都关注这个号了

投稿：[e-mail]

所有计量经济圈方法论丛的code程序, 宏微观数据库和各种软件都放在社群里.欢迎到计量经济圈社群交流访问.

前些日，咱们引荐了①“实证研究中用到的200篇文章, 社科学者常备toolkit”、②实证文章写作常用到的50篇名家经验帖, 学者必读系列、③过去10年AER上关于中国主题的Articles专辑、④AEA公布2017-19年度最受关注的十大研究话题, 给你的选题方向，⑤2020年中文Top期刊重点选题方向, 写论文就写这些。后面，咱们又引荐了①使用CFPS, CHFS, CHNS数据实证研究的精选文章专辑！，②这40个微观数据库够你博士毕业了, 反正凭着这些库成了教授，③Python, Stata, R软件史上最全快捷键合辑！，④关于(模糊)断点回归设计的100篇精选Articles专辑！，⑤关于双重差分法DID的32篇精选Articles专辑！，⑥关于合成控制法SCM的33篇精选Articles专辑！⑦最近80篇关于中国国际贸易领域papers合辑！，⑧最近70篇关于中国环境生态的经济学papers合辑！⑨使用CEPS, CHARLS, CGSS, CLHLS数据库实证研究的精选文章专辑！⑩最近50篇使用系统GMM开展实证研究的papers合辑！这些文章受到了各位学者的欢迎和热议，博士生导师纷纷将其推荐给学生参阅。

correction: "如何选择正确的自变量(控制变量)，让你的计量模型不再肮脏"标题应该是选择正确的自变量（控制变量）。

正文

当一个变量的作用取决于另一变量的值时，就会发生交互效应。交互效应在回归分析，方差分析和设计的实验中很常见。在此文中，我们将解释交互效应，如何在回归中解释它们，以及如果不将其包括在模型中将面临的问题。

在任何研究中，无论是味道测试还是制造过程，许多变量都会影响结果。改变这些变量会直接影响到结果。例如，在味道测试中改变食物中的调味品会影响其整体带给我们的享受。以这种方式，分析人员使用模型来评估每个自变量与因变量之间的关系。这种效果称为主效应。但是，仅评估主效应可能是错误的。

在更复杂的研究领域，自变量可能会相互影响。交互效应表明，第三个变量会影响自变量和因变量之间的关系。这种影响使模型更加复杂，但是如果现实世界确实以这种方式运行，则将其包括到模型中就显得至关重要。例如，调味品和味觉享受之间的关系可能取决于食物的类型，正如我们将在本文中看到的那样！

具有类别自变量的交互效应的示例

我们认为交互效应就是“取决于”效应。您会明白为什么！让我们从一个直观的示例开始，以帮助你从概念上理解这些影响。

想象一下，我们正在进行味道测试，以确定哪种食物调味品产生最高的味觉享受。我们将执行方差分析，其中我们的因变量是味觉享受（enjoyment）。我们的两个自变量都是分类变量：食物（food）和调味品（condiment）。

具有交互效应项的方差分析模型为：

味觉享受enjoyment=食物food*调味品condiment

为简单起见，我们在分析中将仅包括两种食物（冰淇淋icecream和热狗hotdog）和两种调味品（巧克力酱chocolate和芥末酱mustard）。

给定示例的细节，交互效应就不足为奇了。如果有人问你：“你喜欢在食物中加入番茄酱或巧克力酱吗？” 毫无疑问，你会回答：“这取决于食物的类型！” 这就是交互效应的“取决于”性质。在不了解有关交互效应术语中其他变量更多信息的情况下，你不能回答问题。

这就是概念。现在，我将向你展示如何在模型中包括一个交互项以及如何解释结果。

如何解释交互效应

让我们进行分析。所有统计软件都允许您在模型中添加交互项。

下面输出的p值告诉我们，交互较硬（食物调味品）在统计上是显著的。因此，我们知道你从调味品中获得的味觉享受取决于食物的类型。

但是，我们如何解释交互效应并真正理解数据在说什么呢？理解这些影响的最佳方法是使用特殊类型的图——交互图（interaction plot）。这种类型的绘图在y轴上显示因变量的拟合值，而在x轴上显示第一个自变量的值。同时，各条线代表第二个自变量的值。

在一个交互效应图上，平行线表示没有交互作用，而不同的斜率表明可能存在一个。以下是食物*调味品的图。

图中的交叉线表明存在交互作用，而从食物*调味品的p值也可以得到确认。该图显示，当食物为冰淇淋时，巧克力酱的味觉享受水平更高。相反，当食物是热狗时，芥菜的味觉享受较高。如果将芥末放在热狗上的冰淇淋或巧克力酱上，你不会高兴！

哪种调味料最好？这取决于食物的类型，我们使用统计数据来证明这种效应。

忽视交互效应是危险的！

当你具有统计学上显著的交互效应时，如果不考虑交互效应就无法解释主效应。在前面的示例中，如果不知道食物的类型，就无法回答哪种调味品更好的问题。同样，它“取决于”。

假设我们想通过选择最好的食物和最好的调味品来最大化味觉享受。但是，想象一下我们忘记了交互作用，而只评估了主效应。我们将根据以下主效应图做出决定。

根据这个图，我们会选择巧克力酱和热狗，因为它们各自都能带来更高程度的味觉享受。尽管主效应显示出来他们各自都能带来最高的味觉享受，但这不是一个好的搭配选择！当你进行具有统计学分析时，如果不考虑交互效应，就无法解释主效应。

考虑到我们这个愚蠢示例的直观性质，一眼就可以看出忽略交互效应的后果。但是，情况并非总是如此。

具有连续自变量的交互效应示例

在下一个示例中，我们将在制造过程（manufacturing process）的回归模型中评估连续自变量。自变量（加工时间time，温度temperature和压力pressure）影响因变量（产品强度strength）。

在回归模型中，我将包括温度*压力作为交互效应。结果如下：

如你所见，交互项在统计上显著。但是，你如何解释回归方程中的交互项系数？你可以尝试在回归方程式中输入值，然后将它们拼凑在一起。但是，使用交互关系图要容易得多！

在上图中，变量是连续的而不是类别的。为了生成该图，统计软件会选择一个压力高值和一个低值，并将它们与温度值范围一起输入方程式中。

如你所见，温度和强度之间的关系会根据压力改变方向。对于高压，温度和强度之间呈正相关，而对于低压，则呈负相关。通过在模型中包括交互项，你可以捕获基于另一个变量的值而变化的关系。

如果你想最大程度地提高产品强度，并且有人问你该过程应该使用高温还是低温，则你必须做出回答，“这取决于情况”。在当前这种情况下，产品强度取决于压力。如果不知道压力值，就无法回答有关温度的问题。

交互项的重要注意事项

虽然这些图可以帮助你理解交互项的影响，但可以使用假设检验来确定这种影响是否具有统计学意义。图表可以显示代表随机样本误差而非实际效果的非平行线。P值和假设检验可帮助你理清噪声的实际影响。

本文中的示例是双向交互，因为每个交互项中都有两个自变量（食物 * 调味品和温度 * 压力）。用两种方式解释这些影响同样有效。例如，以下变量之间的关系：

• 味觉享受和调味品取决于食物。

• 味觉享受和食物取决于调味品。

您可以进行更高阶的交互。例如，三向交互效应在交互项中具有三个变量，例如Food * Condiment * X。在这种情况下，味觉满意度和调味品之间的关系取决于食物和X。但是，这种效果很难解释。在实践中，我们很少使用它们。但是，在某些模型中，可能需要提供适当的拟合。

最后，当具有统计学上显著的交互效应时，不要在不考虑交互效应的情况下尝试解释主效应。如本文所示，你可能出错误的结论！

关于交互项，我们引荐了很多相关文章，比如：

1.计量回归中的交互项到底什么鬼? 捎一本书给你，2.计量经济学中"交互项"相关的5个问题和回应，3.实证机制分析那些事，机制分析什么鬼？，4.政策评估中"中介效应"因果分析, 增添了文献和Notes，5.内生变量的交互项如何寻工具变量, 交互项共线咋办，6.因果中介效应分析出现在顶刊, 是时候使用新方法了，7.中介和调节效应自助法检验，针对非正态截面数据，8.面板数据中介效应的计算程序, 打开面板这扇门，9.中介和调节效应操作指南, 经典书籍和PPT珍藏版，10.中介效应分析的四种方式, 原则方法和应用综述，11.中介效应分析的方法和模型, 一篇听说必须看的文献，12.多重中介效应的估计与检验, Stata MP15可下载，13.具有调节变量的中介效应分析, moderated mediation，14.具有调节变量的中介效应程序和数据, 独家解读相关结果，15.有限混合模型FMM,异质性分组分析的新筹码，16.省份/行业固定效应与年份固定效应的交乘项固定效应，17.面板数据中去中心化的交互项回归什么情况，18.面板交互固定效应是什么, 白聚山教授推动了最前沿的研究，19.广义合成控制法gsynth, 基于交互固定效应的因果推断，20.一个完整的实证程序, 以logit或ologit为例，21.跨数据比较回归系数技巧，22.U型, 倒U型, 还是线性关系, 你平常的做法不靠谱，DID中行业/区域与时间趋势的交互项, 共同趋势检验, 动态政策效应检验等。还有很多文章，各位学者可以自行搜索公众号内容。

拓展性阅读

就内生性问题及其解决方法，咱们为各位学者引荐了很多文章，例如：看完顶级期刊文章后, 整理了内生性处理小册子；1.“内生性” 到底是什么鬼? New Yorker告诉你；2.Heckman两步法的内生性问题(IV-Heckman)；3.IV和GMM相关估计步骤，内生性、异方差性等检验方法；4.最全估计方法，解决遗漏变量偏差，内生性，混淆变量和相关问题；5.毛咕噜论文中一些有趣的工具变量！；6.非线性面板模型中内生性解决方案；7.内生性处理的秘密武器－工具变量估计；8.内生性处理方法与进展；9.内生性问题和倾向得分匹配；10.你的内生性解决方式out, ERM独领风骚；11.工具变量IV必读文章20篇, 因果识别就靠他了；12.面板数据是怎样处理内生性的；13.计量分析中的内生性问题综述；14.工具变量IV与内生性处理的解读；15.一份改变实证研究的内生性处理思维导图；16.Top期刊里不同来源内生性处理方法；17.面板数据中heckman方法和程序(xtheckman)；18.控制函数法CF, 处理内生性的广义方法；19.二值选择模型内生性检验方法；20.2SRI还是2SPS, 内生性问题的二阶段CF法实现；21.内生变量的交互项如何寻工具变量；22.工具变量精辟解释, 保证你一辈子都忘不了。除此之外，还有很多与此相关的文章，因此建议学者根据自身需要搜索相关内容。

之前，咱们小组引荐了1.DID运用经典文献，强制性许可:来自对敌贸易法的证据，2.连续DID经典文献, 土豆成就了旧世界的文明，3.截面数据DID讲述, 截面做双重差分政策评估的范式，4.RDD经典文献, RDD模型有效性稳健性检验，5.事件研究法用于DID的经典文献"环境规制"论文数据和程序，6.广义DID方法运用得非常经典的JHE文献，7.DID的经典文献"强制许可"论文数据和do程序，8.传销活动对经济发展影响, AER上截面数据分析经典文，9.多期DID的经典文献big bad banks数据和do文件，10.因果推断IV方法经典文献，究竟是制度还是人力资本促进了经济的发展？，11.AER上因果关系确立, 敏感性检验, 异质性分析和跨数据使用经典文章，12.第二篇因果推断经典，工作中断对工人随后生产效率的影响？，13.密度经济学:来自柏林墙的自然实验, 最佳Econometrica论文，14.AER上以DID, DDD为识别策略的劳动和健康经济学，15.一个使用截面数据的政策评估方法, 也可以发AER，16.多期DID模型的经典文献，big bad banks讲解","，17.多期DID的经典文献big bad banks数据和do文件，18.非线性DID, 双重变换模型CIC, 分位数DID，受到博士生导师普遍欢迎，并分享给其指导的学生学习。

下面这些短链接文章属于合集，可以收藏起来阅读，不然以后都找不到了。

2年，计量经济圈公众号近1000篇文章，

Econometrics Circle

数据系列：空间矩阵 | 工企数据 | PM2.5 | 市场化指数 | CO2数据 |  夜间灯光 | 官员方言  | 微观数据 |

计量系列：匹配方法 | 内生性 | 工具变量 | DID | 面板数据 | 常用TOOL | 中介调节 | 时间序列 | RDD断点 | 合成控制 | 

数据处理：Stata | R | Python | 缺失值 | CHIP/ CHNS/CHARLS/CFPS/CGSS等 |

干货系列：能源环境 | 效率研究 | 空间计量 | 国际经贸 | 计量软件 | 商科研究 | 机器学习 | SSCI | CSSCI | SSCI查询 |

计量经济圈组织了一个计量社群，有如下特征：热情互助最多、前沿趋势最多、社科资料最多、社科数据最多、科研牛人最多、海外名校最多。因此，建议积极进取和有强烈研习激情的中青年学者到社群交流探讨，始终坚信优秀是通过感染优秀而互相成就彼此的。