👇 連享會 · 推文導航 | www.lianxh.cn
「十年口碑,桃李三千」
🎦 2021 Stata 暑期班
📅 2021 年 7 月 20-30 日
🔑 連玉君(中山大學);江艇 (中國人民大學)
🍓 課程主頁:https://gitee.com/lianxh/PX
作者:展一帆 (復旦大學) ,周依仿(復旦大學)郵箱:simonzhanyf@163.com
Source:
Maarten L. Buis. Stata Tip 87: Interpretation of Interactions in Nonlinear Models[J]. The Stata Journal, 2010, 10(2) : 305-308. -Link-Dow W H, Norton E C, Donahoe J T. Stata tip 134: Multiplicative and marginal interaction effects in nonlinear models[J]. The Stata Journal, 2019, 19(4): 1015-1020. -Link-
目錄
1. 問題背景
2. 四種解釋方法
3. 一個警示性例子
4. 實操案例分析
4.1 優比度量下的乘積交互效應解釋方法
4.2 優比度量下的邊際交互效應解釋方法
5. 參考資料
6. 相關推文
溫馨提示: 文中連結在微信中無法生效。請點擊底部「閱讀原文」。或直接長按/掃描如下二維碼,直達原文:
1. 問題背景
在非線性計量模型(例如 logit,probit 等),如何解釋交互項的效應,很多學者在應用上仍存在混淆之處。本文通過介紹 Buis (2010 和 Dow et al. (2019) 來說明這一問題。
2. 四種解釋方法
我們使用一個 logit 模型作為例子:
在 stata 中可用 margins 和 nlcom 命令獲得:
. logit y i.x##i.z
. margins x#z, post
. nlcom (_b[1.x#1.z] / _b[1.x#0.z]) / (_b[0.x#1.z] / _b[0.x#0.z])(2) 概率度量下的邊際交互效應(marginal interaction effects)概率度量下的邊際交互效應定義則為:
stata 中可以使用如下命令獲得:
. margins, dydx(z) at(x=(0 1)) contrast(atcontrast(r._at)) post(3) 優比度量下的乘積交互效應(multiplicative interaction effects)如果將被解釋變量轉化為優比(odds ratio),則乘積交互效應(multiplicative interaction effects)可定義為
這種解釋方式是文獻中最為常見的,在 stata 中的實現方式也非常簡單,僅需增加 or 選項
. logit y i.x##i.z, or(4) 優比度量下的邊際交互效應(marginal interaction effects)
. margins x#z, expression(exp(xb())) post
. lincom (_b[1.x#1.z] - _b[1.x#0.z]) - (_b[0.x#1.z] - _b[0.x#0.z])3. 一個警示性例子
在很多文獻中,對於非線性模型交互項的解釋只匯報了上述解釋方法中的一種。本小節中通過一個簡單例子說明上文四種方法可能得到不一樣的結論,需要針對研究問題謹慎選擇。
這個簡單例子只有四個數據點(見圖 1 的面板 A)。不妨考慮這個例子的背景為一個自然實驗,變量 x 代表處理前後,0 代表處理前,1 代表處理後。變量 z 標記組,z=0 為控制組,z=1 為處理組。樣本在處理前並不平衡,控制組的 p 為 0.05,處理組的 p 為 0.1。
在處理前(x = 0)時,隨著 z 從 0 增加到 1,被解釋變量取 1 的概率 p 從 0.05 上升到 0.10。當 x = 1 時,隨著 z 從 0 增加到 1,被解釋變量取 1 的概率從 0.10 增加到 0.19。圖 1 的面板 B 則為轉換成優比後的相同的四個數據點。
圖1一方面,概率度量上的乘積交互效應為 0.95(表 1 最後一列,面板 A),因為在處理前(x=0)時,處理組(z=1)的 p 為控制組的兩倍(0.1/0.05),而在處理後則僅為 1.9 倍(0.19/0.1),這意味著隨著 x 增加,z 對 y 的效應在減小。相比之下,優比度量上的乘積交互效應是 1.0(表 1 的最後一列,面板 B),這意味著隨著 x 的增加,z 的效應是不變的。
另一方面,概率度量上的邊際交互效應為 0.04(表 1 中列,面板 A),因為在處理前(x=0)時,處理組(z=1)的 p 比控制組大 0.05(0.1-0.05),而在處理後則升至為 0.09(0.19-0.1)。這意味著隨著 x 增大,z 的效應增大。優比度量上的邊際交互效應為 0.06,也顯示了類似的遞增效應(儘管在其他例子中,它可能與概率度量上的邊際交互效應有顯著不同)。
由此可見,在該簡單例子中,交互項的解釋根據解釋方法不同,即可能為正,為零也可能為負。即隨著 x 增大,z 的效應可能:
表14. 實操案例分析
進一步,我們可以通過 Buis(2010)中的一個例子加深對上文的理解。比如我們要研究對於黑人和白人來說,是否擁有大學學位 collgrad 對於是否能獲得高級別工作(high_occ)優比的效應差異。
4.1 優比度量下的乘積交互效應解釋方法. sysuse nlsw88 // 採用系統自帶的美國婦女工資數據集
// 生成「高級別」工作變量
. generate byte high_occ = occupation < 3 if occupation < .
. generate byte black = race == 2 if race < .
. drop if race == 3
. generate byte baseline = 1
// 添加or選項,匯報odds ratio
. logit high_occ black##collgrad baseline, or noconstant nolog結果如下:
. logit high_occ black##collgrad baseline, or noconstant nolog
Logistic regression Number of obs = 2,211
Wald chi2(4) = 504.62
Log likelihood = -1199.4399 Prob > chi2 = 0.0000
---
high_occ | Odds Ratio Std. Err. z P>|z| [95% Conf. Interval]
-+-
1.black | .4194072 .0655069 -5.56 0.000 .3088072 .5696188
|
collgrad |
college grad | 2.465411 .293568 7.58 0.000 1.952238 3.113478
|
black#collgrad |
1#college grad | 1.479715 .4132536 1.40 0.161 .8559637 2.558003
|
baseline | .3220524 .0215596 -16.93 0.000 .2824512 .3672059
---針對上表的解讀,首先看基準組(沒有大學學歷的白人),表格中可得其優比為 0.322。由於優比的定義是 p/(1-p),所以我們可以解讀為,對於每一個非高級別工作的人,樣本中可以找到對應 0.322 個有高級別工作的人。
collgrad 的優比為 2.47,也即是說,擁有大學文憑的白人相對於沒有大學文憑的白人,優比提升 2.47 倍(注意這裡是乘法運算,即上文提到的 multiplicative effects)。所以對於有大學文憑的白人,總優比是 0.79 (0.32×2.47)。也即是說此時對於每一個非高級別工作的人,樣本中可以找到對應 0.79 個有高級別工作的人。顯然擁有大學文憑大幅度提升了獲取高級別工作的可能性。
black的優比為 0.42,所以沒有大學文憑的黑人的優比為 0.14 (0.32×0.42)。交乘項的優比為 1.48 (注意,這裡對應上文中的「優比度量下的乘積交互效應」解釋方法),也即黑人有大學文憑相比白人有大學文憑,對於找到高級別工作的優比的邊際提升為 1.48 倍。換言之,對於有大學文憑的黑人來說,總優比是 0.49 (0.32×0.42×2.47×1.48)。
4.2 優比度量下的邊際交互效應解釋方法繼續該例子,但我們換做優比度量下的邊際交互效應解釋。用 margins 命令得到 black 和 collgrad 不同組合下的優比。可以看到四種組合下的優比分別為 0.32,0.79,0.14 和 0.49(上一小節中已經通過乘法運算得到了這四個數字)。
用邊際交互效應解釋,則大學文憑對於白人的邊際效應為 0.47 (0.79-0.32), 而對於黑人的邊際效應則僅有 0.36 (0.49-0.14)。
由此可以看出, collgrad 的邊際交互效應對於白人來說大於黑人,但其乘積交互效應則是黑人大於白人。產生差異的原因就在於計算乘積交互效應時,不同組的基準是不一樣的,白人為 0.32,但黑人僅 0.14,所以雖然從乘積角度, collgrad 提升黑人的優比的比例更高,從 0.14 提升至 0.49,約 3.6 倍,但從邊際上看優比只增加了 0.36。而白人的優比從 0.32 提升至 0.79,增加的倍數不如黑人,但邊際上的增加量卻達 0.47,大於黑人的 0.36。這就是兩種解釋方法差異的來源。
margins, over(black collgrad) expression(exp(xb())) post
*結果如下:
Predictive margins Number of obs = 2,211
Model VCE : OIM
Expression : exp(xb())
over : black collgrad
| Delta-method
| Margin Std. Err. z P>|z| [95% Conf. Interval]
+----
black#collgrad |
0#not college grad | .3220524 .0215596 14.94 0.000 .2797964 .3643084
0#college grad | .7939914 .078188 10.15 0.000 .6407457 .9472371
1#not college grad | .1350711 .0190606 7.09 0.000 .097713 .1724292
1#college grad | .4927536 .1032487 4.77 0.000 .29039 .6951173
. lincom 0.black#1.collgrad - 0.black#0.collgrad
( 1) - 0bn.black#0bn.collgrad + 0bn.black#1.collgrad = 0
----
| Coef. Std. Err. z P>|z| [95% Conf. Interval]
+---
(1) | .471939 .081106 5.82 0.000 .3129742 .6309038
----
. lincom 1.black#1.collgrad - 1.black#0.collgrad
( 1) - 1.black#0bn.collgrad + 1.black#1.collgrad = 0
| Coef. Std. Err. z P>|z| [95% Conf. Interval]
+----
(1) | .3576825 .1049933 3.41 0.001 .1518994 .5634656總結一下,乘積交互效應(multiplicative interaction effects)和邊際交互效應(marginal interaction effects)並不一樣,回答的是不同的問題,在特定情況下可能給出完全相反的結論。故而學者在解釋非線性模型的交乘項時,應當注意其中微妙的差別,謹慎的對交互項做出經濟學解釋。
5. 參考資料Maarten L. Buis. Stata Tip 87: Interpretation of Interactions in Nonlinear Models[J]. The Stata Journal, 2010, 10(2) : 305-308. -Link-Dow W H, Norton E C, Donahoe J T. Stata tip 134: Multiplicative and marginal interaction effects in nonlinear models[J]. The Stata Journal, 2019, 19(4): 1015-1020. -Link-, -PDF-
6. 相關推文
Note:產生如下推文列表的 Stata 命令為:
Logit-Probit 中的交乘項及邊際效應圖示interactplot:圖示交乘項-交互項-調節效應Stata:交乘項該如何使用?-黃河泉老師 PPT
lianxh 調節 u型 交乘 交叉
安裝最新版 lianxh 命令:
ssc install lianxh, replace
New! Stata 搜索神器:lianxh 和 songbl GIF 動圖介紹
搜: 推文、數據分享、期刊論文、重現代碼 ……
👉 安裝:
. ssc install lianxh
. ssc install songbl
👉 使用:
. lianxh DID 倍分法
. songbl all🎦 🎦 🎦
🎧 暑期 空間計量專題
📅 2021 年 8 月 21-24 日
🔑 範巧 (蘭州大學);楊海生 (中山大學)
🍓 課程主頁:https://gitee.com/lianxh/SP🍏 關於我們直通車: 👉【百度一下:連享會】即可直達連享會主頁。亦可進一步添加 「知乎」,「b 站」,「面板數據」,「公開課」 等關鍵詞細化搜索。