交互作用效果分析.docVIP

交互作用效果分析 在关于阿什利投资服务的例15-3中 ，人事主管想要知道倦怠心理对男女员工的影响是否不同。因此他以先前参加测试的员工（见文档阿什利-2）性别为识别，作出关联散点图，详见图15.21。 人事主管想要判定男女员工的倦怠指数与社会化程度间的关系，图解结果见图15.21。可以从图中看到两条相似的曲线，曲线模型可以写成如下二次多项式的形式： 然而，尽管图形相似，估计得到的回归方程却不同，两个方程的斜率和截距都不同。员工性别的不同会导致倦怠指数（y）与社会化程度（）关系的改变。为了准确描述这种不同，男女员工的方程系数必须不同。因此我们需要分别为不同性别建立两个模型。作为一种选择，我们可以引入一个独立的虚拟变量，其包含两个水平，以此用一个模型来拟合两个性别的情况。该虚拟变量表现为，当的值改变时，方程的系数也会随之改变。 我们可以得到只为女性员工拟合的二次模型： 和只为男性员工拟合的二次模型： 为了说明性别的变化是如何影响这种系数变化的，我们必须介绍交互作用。在这个例子中，性别（）与社会化程度（）和倦怠指数（y）间的关系具有交互影响。问题是我们如何获取交互作用项来反映这种交互关系？首先，我们要对与y建模，即。 为了获得交互作用项，将模型等式右边的各项乘以与y、相关关系有交互作用的变量，在这个例子中，该变量即，则该交互作用项为。 要注意的是我们已经将变量的下标改变了，接下来将该交互作用项添加到原模型中生成复合模型：。 该模型适用于女性员工时将=0代入，得到： = 该模型适用于男性员工时将=1代入，得到： = 这个例子说明方程系数是如何随着的改变而改变的，即是如何与y、相关关系产生交互作用的。一旦我们已知，我们就能知道性别对员工倦怠指数与社会化程度原始关系的交互影响作用了。为了估计这个复合模型，我们需要创造一个需要变量，见图15.22 。 图15.23a及15.23b所示为复合模型的回归结果。如下： 将=0代入得到女员工模型： 将=1代入得到男员工模型： 可以观察到，上面拟合的模型与我们之前生成的两个分离的回归模型是一样的。 在这个例子中，我们注意到了与其他自变量、因变量有交互关系的虚拟变量，但是交互作用变量并不一定是虚拟变量，可以是任意的自变量。严格的说，如果交互变量的唯一作用是改变涉及到其他自变量的方程的y轴截距的话，那么交互作用是不存在的。因此，当观察散点图来判断交互作用时，必须要先判定交互作用变量的值改变时，产生的关系是不是平行的。如果是平行的，则表明当交互作用变量值改变时只有y轴的截距会受到影响，这样交互作用其实是不存在的。图形概念展示见图15.24 。 偏F检验 目前为止我们已经掌握了检验回归模型中一个或多个系数的显著性的方法步骤，例如，例15-3，用假设检验来判定包含社会化程度的二次模型比一次线性模型更适合。检验原假设即估计的原理。我们可以通过检验原假设来判断是否两类模型（一次线性模型与二次模型）在预测倦怠指数上都是有意义的。然而出现了更复杂的模型。包含阿什利投资服务的交互作用模型有五个预测变量，即： 其中两个预测变量（例如）可以表明回归模型很明显有交互作用。若把两个交互作用变量去掉，那么模型就变成。 要判定是否有交互作用的迹象，我们必须先确定交互作用项的系数是否为零，若为零，则没有交互作用。否则至少存在一些交互作用。在阿什利投资的例子里我们必须进行假设检验 在本章开头我们介绍了检验模型系数显著性的步骤，那样的话就可以使用excel和minitab output对F检验的分析结果，然而想要检验是否有显著的交互关系，我们必须检验超过一个少于全部的回归系数即进行偏F检验。若给定两个模型，其中一个的SSE（误差平方和）显著小于另一个，则SSE较小的模型更优。因此，我们可以对比包含交互作用项的模型的SSE与不包含交互作用项的模型的SSE。其中不包含的模型称为降阶模型，包含的成为完全模型 ，其SSE分别用来代表。 值得注意的是，这个步骤适用于所有检验大于一个小于全部系数的情况，有许多不包含交互项的模型都可以使用偏F检验。 该检验主要思想是若不是所有回归系数都等于零则SSE会显著减少。那么就会有必须显著异于零。可以利用方程15.12进行检验。 偏F统计量的分子主要是包含检验系数的模型每个自由度下的平均SSE，与完全模型的每个自由度的SSE进行对比，若存在显著不同，则拒绝零假设，并且该检验统计量有一个F分布，其分子自由度等于被检验参数个数，分母的自由度等于完全模型的自由度。 接下来我们就要来判断人事主管的数据是否显示性别与员工社会化程度 和倦怠指数关系间有显著交互作用影响。为了进行假设检验 ，主观为两个模型拟合了回归方程。他从图15.25a与15.25b中获得了，在图15.25c中显示了判断交互作用的假设检验结果。 因为