Stata中的交互语法

我的问题涉及在Stata中正确使用

#

与

#

来交互分类变量和因变量。这是我想到的一个例子

为了了解x对y的边际效应，我对两类受试者（M，F）进行了三种治疗（A，B，C）的实验。为了理解合并边际效应（假设我满足所有OLS标准），我可以运行

reg y x

。然而，我还想了解每个“环境”中每个“物种”的边际效应，或者x与处理和类型的相互作用

首先，假设x是连续的，这是估计合并边际效应和治疗类型边际效应的正确语法

reg y x i.treatment#i.type#c.x

reg y i.treatment#i.type#c.x, noconstant

或

或者两者都没有

第二，估算治疗类型边际效应的正确语法是否正确

reg y x i.treatment#i.type#c.x

reg y i.treatment#i.type#c.x, noconstant

其中常数是下降的？如果保持该常量，它是否表示汇集的响应

抱歉，如果这是一个基本的问题，但在阅读了几天之后，我仍然难以准确地理解

和

之间的区别。非常感谢

注：建议的数据显然是一个面板，因此

xtreg

命令更合适。为了简单起见，我只是假装数据更简单

编辑：下面是一个内置Stata数据集的示例

    . reg price c.mpg##i.foreign

      Source |       SS       df       MS              Number of obs =      74
-------------+------------------------------           F(  3,    70) =    9.48
       Model |   183435281     3  61145093.6           Prob > F      =  0.0000
    Residual |   451630115    70  6451858.79           R-squared     =  0.2888
-------------+------------------------------           Adj R-squared =  0.2584
       Total |   635065396    73  8699525.97           Root MSE      =  2540.1

-------------------------------------------------------------------------------
        price |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
--------------+----------------------------------------------------------------
          mpg |  -329.2551   74.98545    -4.39   0.000    -478.8088   -179.7013
    1.foreign |  -13.58741   2634.664    -0.01   0.996    -5268.258    5241.084
              |
foreign#c.mpg |
           1  |   78.88826   112.4812     0.70   0.485    -145.4485     303.225
              |
        _cons |   12600.54   1527.888     8.25   0.000     9553.261    15647.81
-------------------------------------------------------------------------------

mpg

和

1.国外

分别捕获汽车每加仑英里数的边际效应，以及汽车是国外还是国内对价格的影响<代码>外来#c.mpg捕获假人为1（即车辆为外来）时，类别假人和连续x之间的交互作用？然后，是什么捕获了家用（假人为零）与mpg的交互作用

一,。 在以下内容中，您将包括

x

的主要效果和三方交互

reg y x i.treatment#i.type#c.x

您忽略了主要影响，特别是

治疗

和

类型

以下

reg y i.treatment#i.type##c.x

扩展到

reg y i.treatment#i.type c.x i.treatment#i.type#c.x

其中包括

x

的主要效果、双向交互和三向交互

环顾四周，寻找关于包含主要影响的交互作用的信息。比如说

2. 你说

我仍然难以准确地理解#和#之间的区别

这可以通过阅读

帮助列表

和手册来澄清。在这个阶段，语法所暗示的似乎不是问题，而是如何指定模型，这将取决于理论所暗示的，以前做过的，等等

3. 从你的例子

reg price c.mpg##i.foreign

扩展到

reg price c.mpg i.foreign c.mpg#i.foreign

（mpg和国外的两个主要影响，以及它们之间的相互作用），你会问

foreign#c.mpg

捕获假人为1（即车辆为外国）时，类别假人和连续x之间的交互作用？然后是什么捕获了家用（虚拟为零）与mpg的交互作用

写出模型有帮助（同样有两个主要影响和相互作用）：

这清楚地说明了

mpg

超价的效果是如何受到

国外

价值的影响的；以及

mpg

的值如何影响

foreign

对

price

的影响。由于

foreign

仅取

0

和

1

的值，因此

mpg

对

price

的影响更容易理解。只需替换掉

foreign

in

- 329.2551 mpg + 78.88826 mpg foreign

当

foreign==1

时，

mpg

的效果为

-250.36684

。当

foreign==0

时，效果为

-329.2551

国外

对

价格

的影响同样计算：

- 13.58741 foreign + 78.88826 mpg foreign

但是现在替换掉mpg。因为它是连续的，所以您可能应该插入几个

mpg

值，以便更好地了解其对

价格的影响（请参见
帮助页边距
）

（这都是假设相应的系数在统计上是显著的。）

我感觉你的问题在理解Stata语法和统计问题方面都有困难。第一个可以通过阅读Stata帮助资源来澄清。关于第二个问题，您的问题的措词方式使得Cross Validated的人将其视为编程问题而丢弃。
Roberto与往常一样是正确的。对于交叉验证，这里有太多的Stata，而对于堆栈溢出，则有太多的统计信息。这并不是一个无法解决的难题，因为罗伯托已经发布了一些有帮助的材料，而斯塔利斯特是第三个选择。谢谢罗伯托。那么Statalist是解决这个问题的更好途径吗？或者是因为其他原因被否决了。我没有否决这个；那些投了否决票的人没有透露自己或解释。这是很常见的，因为有些人对下院选民的反应很烦躁。但否决权的标准是“没有显示任何研究成果”和“不清楚或没有用处”。我的印象是，缺乏一个基于非常具体的代码的非常具体的问题会让你失望，而且一个问题不太可能对其他人有多大好处，这在很多人的心目中是很重要的，当他们投票时；当我在其他问题上投了反对票时，我也是这样。