完全交互的模型相当于对数据的每个子集运行回归,所以如果您的意图确实是:
我想要的输出是 Var1 对 Dummy1 和 Dummy2 的每种可能组合的估计效果。
那么以下内容可能会有所帮助:
# get your data
set.seed(42)
Var1 <- sample(0:10, 100, replace = T)
Dummy1 <- sample(c(0,1), 100, replace = T)
Dummy2 <- sample(c(0,1), 100, replace = T)
DV <-2*Var1 + Var1*Dummy1 + 2*Var1*Dummy2 + 10*Var1*Dummy1*Dummy2 + rnorm(100)
df <- data.frame(DV, Var1, Dummy1, Dummy2)
首先,请注意
fit <- lm(DV ~ Var1*Dummy1*Dummy2)
fit$coefficients["Var1"]
Var1
2.049678
fit$coefficients["Var1"] + fit$coefficients["Var1:Dummy1"]
Var1
2.993598
现在,让我们估计每个组组合的效果:
library(dplyr)
library(broom)
df %>% group_by(Dummy1, Dummy2) %>% do(tidy(lm(DV ~ Var1, data=.)))
Source: local data frame [8 x 7]
Groups: Dummy1, Dummy2 [4]
Dummy1 Dummy2 term estimate std.error statistic p.value
(dbl) (dbl) (chr) (dbl) (dbl) (dbl) (dbl)
1 0 0 (Intercept) -0.03125589 0.33880599 -0.09225307 9.272958e-01
2 0 0 Var1 2.04967796 0.05534155 37.03687553 5.222878e-22
3 0 1 (Intercept) -0.08877431 0.38932340 -0.22802203 8.223492e-01
4 0 1 Var1 3.97771680 0.07046498 56.44955828 8.756108e-21
5 1 0 (Intercept) 0.02582533 0.28189331 0.09161384 9.275272e-01
6 1 0 Var1 2.99359832 0.04622495 64.76153226 4.902771e-38
7 1 1 (Intercept) 0.16562985 0.55143596 0.30036100 7.675439e-01
8 1 1 Var1 14.95581348 0.07582089 197.25189807 5.275462e-30
这里的截距对应于每个组中由两个虚拟变量跨越的平均值(而不是该平均值与从完全交互回归模型中获得的总体平均值的差异),并且Var1
对应于每组中的斜率系数,这是和Var1
的每个可能组合的估计效果。Dummy1
Dummy2
注意 in 的系数与第 2 行中估计的系数一一对应Var1
,fit
并且Var1
第 6 行中的值对应于值Var1 + Var1:Dummy1
。因此,您可以看到使用这种方法,您不需要手动添加变量。
要测试所有组的斜率系数是否相同,您的初始回归模型最适合。您只需检查summary(fit)
交互项是否重要。如果是,那就有区别了。如果不是,则没有区别。这将对应于顺序测试。要执行同时测试,您可以使用 F 测试,如
library(car)
linearHypothesis(fit, c("Var1:Dummy1", "Var1:Dummy2", "Var1:Dummy1:Dummy2"),
verbose=T, test="F")