- Главная
- Математика
- Взаимодействие независимых переменных
Содержание
- 2. 2 Когда в начале предыдущей главы была введена множественная регрессия, было указано, что коэффициенты наклона представляют
- 3. 3 В данной модели такая интерпретация невозможна. В частности, невозможно интерпретировать β2 как воздействие X2 на
- 4. 4 Чтобы правильно интерпретировать коэффициенты, теперь мы можем переписать модель, как это представлено выше. Коэффициент X2,
- 5. 5 Переписанная модель явно указывает на то, что предельный эффект X2 зависит от значения X3. Интерпретация
- 6. 6 Можно так же переписать модель, как в третьей строке. Отсюда можно увидеть, что предельный эффект
- 7. 7 β4 можно интерпретировать как изменение коэффициента X2 при изменении X3 на единицу. В равной степени
- 8. 8 Если X3 = 0 далеко за пределами его диапазона в выборке, то интерпретация β2 как
- 9. 9 Иногда оценка будет выглядеть совершенно неправдоподобной, так же, как оценка постоянной в регрессии часто неправдоподобна,
- 10. 10 Это может затруднить сравнение оценок эффектов X2 и X3 на Y в моделях, исключающих и
- 11. 11 Один из способов облегчения проблемы состоит в том, чтобы промасштабировать X2 и X3, чтобы они
- 12. 12 ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ Подставляя X2 и X3, модель, как показано, с новыми параметрами, определена исходными
- 13. 13 ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ Дело в том, что коэффициенты X2 и X3 теперь дают предельные эффекты
- 14. 14 Например, можно видеть, что β2* дает предельный эффект X2*, и следовательно, X2, когда X3* =
- 15. 15 β3* имеет аналогичную интерпретацию. ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
- 16. . reg LGEARN S EXP ---------------------------------------------------------------------------- Source | SS df MS Number of obs = 500
- 17. 17 Регрессия предполагает, что дополнительный год обучения увеличивает заработную плату на 9.2 процента, а дополнительный год
- 18. . gen SEXP = S*EXP . reg LGEARN S EXP SEXP ---------------------------------------------------------------------------- Source | SS df
- 19. 19 Коэффициент обучения упал. Теперь он изменил свое значение. В настоящее время оценивается влияние дополнительного учебного
- 20. 20 Коэффициент опыта резко упал. Его значение так же изменилось. Теперь это относится к людям без
- 21. 21 Коэффициент SEXP показывает, что коэффициент школьного обучения падает на 0.0012, that is, 0.12 процента за
- 22. 22 Теперь мы определяем S1, EXP1, и SEXP1 как соответствующее обучение, опыт и взаимодействующие переменные за
- 23. . reg LGEARN S1 EXP1 ---------------------------------------------------------------------------- Source | SS df MS Number of obs = 500
- 24. 24 Коэффициенты наклона (и их стандартные ошибки и t статистика) такие же как и раньше. Только
- 25. 25 В исходном описании постоянные оценки предсказывали LGEARN когда S = 0 и EXP = 0.
- 26. 26 В пересмотренном описании постоянные оценки прогнозировали LGEARN когда S1 = 0 и EXP1 = 0,
- 27. . reg LGEARN S1 EXP1 SEXP1 ---------------------------------------------------------------------------- Source | SS df MS Number of obs =
- 28. 28 Однако нижняя половина отличается. Коэффициенты S1 и EXP1 измеряют эффекты этих переменных для среднего значения
- 29. . reg LGEARN S EXP SEXP ---------------------------------------------------------------------------- LGEARN | Coef. Std. Err. t P>|t| [95% Conf.
- 30. 30 Как и прежде, он измеряет изменение коэффициента школьного обучения на единицу (один год) с изменением
- 31. 31 С помощью переменных с вычтенным средним мы можем более четко видеть влияние включения взаимодействия постоянных.
- 32. 32 Если мы предположим, что он должен быть в модели, то не включая его, мы мало
- 34. Скачать презентацию
2
Когда в начале предыдущей главы была введена множественная регрессия, было указано,
2
Когда в начале предыдущей главы была введена множественная регрессия, было указано,
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
3
В данной модели такая интерпретация невозможна. В частности, невозможно интерпретировать β2
3
В данной модели такая интерпретация невозможна. В частности, невозможно интерпретировать β2
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
4
Чтобы правильно интерпретировать коэффициенты, теперь мы можем переписать модель, как это
4
Чтобы правильно интерпретировать коэффициенты, теперь мы можем переписать модель, как это
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
5
Переписанная модель явно указывает на то, что предельный эффект X2 зависит
5
Переписанная модель явно указывает на то, что предельный эффект X2 зависит
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
6
Можно так же переписать модель, как в третьей строке. Отсюда можно
6
Можно так же переписать модель, как в третьей строке. Отсюда можно
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
7
β4 можно интерпретировать как изменение коэффициента X2 при изменении X3 на
7
β4 можно интерпретировать как изменение коэффициента X2 при изменении X3 на
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
8
Если X3 = 0 далеко за пределами его диапазона в выборке,
8
Если X3 = 0 далеко за пределами его диапазона в выборке,
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
9
Иногда оценка будет выглядеть совершенно неправдоподобной, так же, как оценка постоянной
9
Иногда оценка будет выглядеть совершенно неправдоподобной, так же, как оценка постоянной
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
10
Это может затруднить сравнение оценок эффектов X2 и X3 на Y
10
Это может затруднить сравнение оценок эффектов X2 и X3 на Y
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
11
Один из способов облегчения проблемы состоит в том, чтобы промасштабировать X2
11
Один из способов облегчения проблемы состоит в том, чтобы промасштабировать X2
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
12
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
Подставляя X2 и X3, модель, как показано, с новыми
12
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
Подставляя X2 и X3, модель, как показано, с новыми
13
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
Дело в том, что коэффициенты X2 и X3 теперь
13
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
Дело в том, что коэффициенты X2 и X3 теперь
14
Например, можно видеть, что β2* дает предельный эффект X2*, и следовательно,
14
Например, можно видеть, что β2* дает предельный эффект X2*, и следовательно,
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
15
β3* имеет аналогичную интерпретацию.
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
15
β3* имеет аналогичную интерпретацию.
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
. reg LGEARN S EXP
----------------------------------------------------------------------------
Source | SS df MS Number
. reg LGEARN S EXP
----------------------------------------------------------------------------
Source | SS df MS Number
-----------+------------------------------ F( 2, 497) = 40.12
Model | 21.2104059 2 10.6052029 Prob > F = 0.0000
Residual | 131.388814 497 .264363811 R-squared = 0.1390
-----------+------------------------------ Adj R-squared = 0.1355
Total | 152.59922 499 .30581006 Root MSE = .51416
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | .0916942 .0103338 8.87 0.000 .0713908 .1119976
EXP | .0405521 .009692 4.18 0.000 .0215098 .0595944
_cons | 1.199799 .1980634 6.06 0.000 .8106537 1.588943
----------------------------------------------------------------------------
16
Мы проиллюстрируем анализ уравнением заработной платы, в котором логарифм почасового дохода регрессируется по годам обучения и опыта работы. Начнем с простого линейного описания, используя EAWE Data Set 21.
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
17
Регрессия предполагает, что дополнительный год обучения увеличивает заработную плату на 9.2
17
Регрессия предполагает, что дополнительный год обучения увеличивает заработную плату на 9.2
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
. reg LGEARN S EXP
----------------------------------------------------------------------------
Source | SS df MS Number of obs = 500
-----------+------------------------------ F( 2, 497) = 40.12
Model | 21.2104059 2 10.6052029 Prob > F = 0.0000
Residual | 131.388814 497 .264363811 R-squared = 0.1390
-----------+------------------------------ Adj R-squared = 0.1355
Total | 152.59922 499 .30581006 Root MSE = .51416
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | .0916942 .0103338 8.87 0.000 .0713908 .1119976
EXP | .0405521 .009692 4.18 0.000 .0215098 .0595944
_cons | 1.199799 .1980634 6.06 0.000 .8106537 1.588943
----------------------------------------------------------------------------
. gen SEXP = S*EXP
. reg LGEARN S EXP SEXP
----------------------------------------------------------------------------
Source
. gen SEXP = S*EXP
. reg LGEARN S EXP SEXP
----------------------------------------------------------------------------
Source
-----------+------------------------------ F( 3, 496) = 26.75
Model | 21.254031 3 7.08467699 Prob > F = 0.0000
Residual | 131.345189 496 .264808848 R-squared = 0.1393
-----------+------------------------------ Adj R-squared = 0.1341
Total | 152.59922 499 .30581006 Root MSE = .5146
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | .0843417 .0208594 4.04 0.000 .0433581 .1253253
EXP | .0234143 .0433233 0.54 0.589 -.0617055 .1085341
SEXP | .0012184 .0030019 0.41 0.685 -.0046796 .0071165
_cons | 1.308507 .3332092 3.93 0.000 .6538312 1.963182
----------------------------------------------------------------------------
18
Взаимоотношение переменных SEXP определяется как произведение S и EXP, и регрессия выполняется снова, включая эту переменную.
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
19
Коэффициент обучения упал. Теперь он изменил свое значение. В настоящее время
19
Коэффициент обучения упал. Теперь он изменил свое значение. В настоящее время
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
. reg LGEARN S EXP
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | .0916942 .0103338 8.87 0.000 .0713908 .1119976
EXP | .0405521 .009692 4.18 0.000 .0215098 .0595944
_cons | 1.199799 .1980634 6.06 0.000 .8106537 1.588943
----------------------------------------------------------------------------
. gen SEXP = S*EXP
. reg LGEARN S EXP SEXP
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | .0843417 .0208594 4.04 0.000 .0433581 .1253253
EXP | .0234143 .0433233 0.54 0.589 -.0617055 .1085341
SEXP | .0012184 .0030019 0.41 0.685 -.0046796 .0071165
_cons | 1.308507 .3332092 3.93 0.000 .6538312 1.963182
----------------------------------------------------------------------------
20
Коэффициент опыта резко упал. Его значение так же изменилось. Теперь это
20
Коэффициент опыта резко упал. Его значение так же изменилось. Теперь это
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
. reg LGEARN S EXP
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | .0916942 .0103338 8.87 0.000 .0713908 .1119976
EXP | .0405521 .009692 4.18 0.000 .0215098 .0595944
_cons | 1.199799 .1980634 6.06 0.000 .8106537 1.588943
----------------------------------------------------------------------------
. gen SEXP = S*EXP
. reg LGEARN S EXP SEXP
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | .0843417 .0208594 4.04 0.000 .0433581 .1253253
EXP | .0234143 .0433233 0.54 0.589 -.0617055 .1085341
SEXP | .0012184 .0030019 0.41 0.685 -.0046796 .0071165
_cons | 1.308507 .3332092 3.93 0.000 .6538312 1.963182
----------------------------------------------------------------------------
21
Коэффициент SEXP показывает, что коэффициент школьного обучения падает на 0.0012, that
21
Коэффициент SEXP показывает, что коэффициент школьного обучения падает на 0.0012, that
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
. reg LGEARN S EXP
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | .0916942 .0103338 8.87 0.000 .0713908 .1119976
EXP | .0405521 .009692 4.18 0.000 .0215098 .0595944
_cons | 1.199799 .1980634 6.06 0.000 .8106537 1.588943
----------------------------------------------------------------------------
. gen SEXP = S*EXP
. reg LGEARN S EXP SEXP
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | .0843417 .0208594 4.04 0.000 .0433581 .1253253
EXP | .0234143 .0433233 0.54 0.589 -.0617055 .1085341
SEXP | .0012184 .0030019 0.41 0.685 -.0046796 .0071165
_cons | 1.308507 .3332092 3.93 0.000 .6538312 1.963182
----------------------------------------------------------------------------
22
Теперь мы определяем S1, EXP1, и SEXP1 как соответствующее обучение, опыт
22
Теперь мы определяем S1, EXP1, и SEXP1 как соответствующее обучение, опыт
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
. sum S EXP
Variable | Obs Mean Std. Dev. Min Max
-------------+--------------------------------------------------------
S | 500 14.866 2.742825 8 20
EXP | 500 6.444577 2.924476 0 13.92308
. gen S1 = S - 14.866
. gen EXP1 = EXP - 6.445
. gen SEXP1 = S1*EXP1
. reg LGEARN S1 EXP1
----------------------------------------------------------------------------
Source | SS df MS Number
. reg LGEARN S1 EXP1
----------------------------------------------------------------------------
Source | SS df MS Number
-----------+------------------------------ F( 2, 497) = 40.12
Model | 21.2104059 2 10.605203 Prob > F = 0.0000
Residual | 131.388814 497 .26436381 R-squared = 0.1390
-----------+------------------------------ Adj R-squared = 0.1355
Total | 152.59922 499 .30581006 Root MSE = .51416
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S1 | .0916942 .0103338 8.87 0.000 .0713908 .1119976
EXP1 | .0405521 .009692 4.18 0.000 .0215098 .0595944
_cons | 2.824265 .0229941 122.83 0.000 2.779088 2.869443
----------------------------------------------------------------------------
23
Вот регрессия без взаимодействия переменных. Верхняя половина вывода идентична той, когда LGEARN был регрессирован на S и EXP. Какие различия вы ожидаете в нижней половине?
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
24
Коэффициенты наклона (и их стандартные ошибки и t статистика) такие же
24
Коэффициенты наклона (и их стандартные ошибки и t статистика) такие же
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
. reg LGEARN S1 EXP1
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S1 | .0916942 .0103338 8.87 0.000 .0713908 .1119976
EXP1 | .0405521 .009692 4.18 0.000 .0215098 .0595944
_cons | 2.824265 .0229941 122.83 0.000 2.779088 2.869443
----------------------------------------------------------------------------
. reg LGEARN S EXP
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | .0916942 .0103338 8.87 0.000 .0713908 .1119976
EXP | .0405521 .009692 4.18 0.000 .0215098 .0595944
_cons | 1.199799 .1980634 6.06 0.000 .8106537 1.588943
----------------------------------------------------------------------------
25
В исходном описании постоянные оценки предсказывали LGEARN когда S = 0
25
В исходном описании постоянные оценки предсказывали LGEARN когда S = 0
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
. reg LGEARN S1 EXP1
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S1 | .0916942 .0103338 8.87 0.000 .0713908 .1119976
EXP1 | .0405521 .009692 4.18 0.000 .0215098 .0595944
_cons | 2.824265 .0229941 122.83 0.000 2.779088 2.869443
----------------------------------------------------------------------------
. reg LGEARN S EXP
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | .0916942 .0103338 8.87 0.000 .0713908 .1119976
EXP | .0405521 .009692 4.18 0.000 .0215098 .0595944
_cons | 1.199799 .1980634 6.06 0.000 .8106537 1.588943
----------------------------------------------------------------------------
26
В пересмотренном описании постоянные оценки прогнозировали LGEARN когда S1 = 0
26
В пересмотренном описании постоянные оценки прогнозировали LGEARN когда S1 = 0
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
. reg LGEARN S1 EXP1
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S1 | .0916942 .0103338 8.87 0.000 .0713908 .1119976
EXP1 | .0405521 .009692 4.18 0.000 .0215098 .0595944
_cons | 2.824265 .0229941 122.83 0.000 2.779088 2.869443
----------------------------------------------------------------------------
. reg LGEARN S EXP
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | .0916942 .0103338 8.87 0.000 .0713908 .1119976
EXP | .0405521 .009692 4.18 0.000 .0215098 .0595944
_cons | 1.199799 .1980634 6.06 0.000 .8106537 1.588943
----------------------------------------------------------------------------
. reg LGEARN S1 EXP1 SEXP1
----------------------------------------------------------------------------
Source | SS df MS
. reg LGEARN S1 EXP1 SEXP1
----------------------------------------------------------------------------
Source | SS df MS
-----------+------------------------------ F( 3, 496) = 26.75
Model | 21.2540309 3 7.08467697 Prob > F = 0.0000
Residual | 131.345189 496 .264808848 R-squared = 0.1393
-----------+------------------------------ Adj R-squared = 0.1341
Total | 152.59922 499 .30581006 Root MSE = .5146
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S1 | .092194 .0104156 8.85 0.000 .0717299 .1126581
EXP1 | .0415275 .0099934 4.16 0.000 .0218929 .0611621
SEXP1 | .0012184 .0030019 0.41 0.685 -.0046796 .0071165
_cons | 2.829957 .0269497 105.01 0.000 2.777008 2.882907
----------------------------------------------------------------------------
27
Вот результаты регрессии с использованием S и EXP с вычтенными средними и взаимодействующими постоянными. Верхняя половина вывода идентична первой, когда LGEARN был регрессирован на S, EXP, и SEXP.
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
28
Однако нижняя половина отличается. Коэффициенты S1 и EXP1 измеряют эффекты этих
28
Однако нижняя половина отличается. Коэффициенты S1 и EXP1 измеряют эффекты этих
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
. reg LGEARN S EXP SEXP
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | .0843417 .0208594 4.04 0.000 .0433581 .1253253
EXP | .0234143 .0433233 0.54 0.589 -.0617055 .1085341
SEXP | .0012184 .0030019 0.41 0.685 -.0046796 .0071165
_cons | 1.308507 .3332092 3.93 0.000 .6538312 1.963182
----------------------------------------------------------------------------
. reg LGEARN S1 EXP1 SEXP1
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S1 | .092194 .0104156 8.85 0.000 .0717299 .1126581
EXP1 | .0415275 .0099934 4.16 0.000 .0218929 .0611621
SEXP1 | .0012184 .0030019 0.41 0.685 -.0046796 .0071165
_cons | 2.829957 .0269497 105.01 0.000 2.777008 2.882907
----------------------------------------------------------------------------
. reg LGEARN S EXP SEXP
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err.
. reg LGEARN S EXP SEXP
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err.
-----------+----------------------------------------------------------------
S | .0843417 .0208594 4.04 0.000 .0433581 .1253253
EXP | .0234143 .0433233 0.54 0.589 -.0617055 .1085341
SEXP | .0012184 .0030019 0.41 0.685 -.0046796 .0071165
_cons | 1.308507 .3332092 3.93 0.000 .6538312 1.963182
----------------------------------------------------------------------------
. reg LGEARN S1 EXP1 SEXP1
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S1 | .092194 .0104156 8.85 0.000 .0717299 .1126581
EXP1 | .0415275 .0099934 4.16 0.000 .0218929 .0611621
SEXP1 | .0012184 .0030019 0.41 0.685 -.0046796 .0071165
_cons | 2.829957 .0269497 105.01 0.000 2.777008 2.882907
----------------------------------------------------------------------------
29
Обратите внимание, что коэффициент взаимодействия постоянной один и тот же.
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
30
Как и прежде, он измеряет изменение коэффициента школьного обучения на единицу
30
Как и прежде, он измеряет изменение коэффициента школьного обучения на единицу
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
. reg LGEARN S EXP SEXP
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | .0843417 .0208594 4.04 0.000 .0433581 .1253253
EXP | .0234143 .0433233 0.54 0.589 -.0617055 .1085341
SEXP | .0012184 .0030019 0.41 0.685 -.0046796 .0071165
_cons | 1.308507 .3332092 3.93 0.000 .6538312 1.963182
----------------------------------------------------------------------------
. reg LGEARN S1 EXP1 SEXP1
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S1 | .092194 .0104156 8.85 0.000 .0717299 .1126581
EXP1 | .0415275 .0099934 4.16 0.000 .0218929 .0611621
SEXP1 | .0012184 .0030019 0.41 0.685 -.0046796 .0071165
_cons | 2.829957 .0269497 105.01 0.000 2.777008 2.882907
----------------------------------------------------------------------------
31
С помощью переменных с вычтенным средним мы можем более четко видеть
31
С помощью переменных с вычтенным средним мы можем более четко видеть
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
. reg LGEARN S1 EXP1
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S1 | .0916942 .0103338 8.87 0.000 .0713908 .1119976
EXP1 | .0405521 .009692 4.18 0.000 .0215098 .0595944
_cons | 2.824265 .0229941 122.83 0.000 2.779088 2.869443
----------------------------------------------------------------------------
. reg LGEARN S1 EXP1 SEXP1
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S1 | .092194 .0104156 8.85 0.000 .0717299 .1126581
EXP1 | .0415275 .0099934 4.16 0.000 .0218929 .0611621
SEXP1 | .0012184 .0030019 0.41 0.685 -.0046796 .0071165
_cons | 2.829957 .0269497 105.01 0.000 2.777008 2.882907
----------------------------------------------------------------------------
32
Если мы предположим, что он должен быть в модели, то не
32
Если мы предположим, что он должен быть в модели, то не
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
. reg LGEARN S1 EXP1
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S1 | .0916942 .0103338 8.87 0.000 .0713908 .1119976
EXP1 | .0405521 .009692 4.18 0.000 .0215098 .0595944
_cons | 2.824265 .0229941 122.83 0.000 2.779088 2.869443
----------------------------------------------------------------------------
. reg LGEARN S1 EXP1 SEXP1
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S1 | .092194 .0104156 8.85 0.000 .0717299 .1126581
EXP1 | .0415275 .0099934 4.16 0.000 .0218929 .0611621
SEXP1 | .0012184 .0030019 0.41 0.685 -.0046796 .0071165
_cons | 2.829957 .0269497 105.01 0.000 2.777008 2.882907
----------------------------------------------------------------------------