0

我想测试选民投票支持特定政党“XY”的动机，以及居住在某个地区是否会产生重大影响。问题是，来自 A 区（编码为“1”）的选民与 B 区（编码为“0”）的选民的动机是否存在显着差异。

这是我的数据的结构（过度简化）：

region_AB   motive   voter_attribute  vote_for_party_XY
1           1        1                1
1           0        1                1
1           1        0                0
0           0        0                0
0           0        1                0
0           1        0                0

我的猜测是在 R 中运行一个二元逻辑、分层模型，但是我将如何确定不同的动机和选民特征是否对 A 区和 B 区的公民起作用？我不只是想测试区域效应，而是测试区域在整个模型中的差异。

或者我可以简单地在标准逻辑回归模型中抛出交互项（例如region*motive1，region*motive2...）？

但在这种情况下，我可以添加多少交互项？我是否必须将“区域”中的零重新编码为类似于0.0000000001零的乘法会扭曲结果？最后，我是否必须将交互项与该交互项的两个组成部分（例如region、motive和region*motive）一起放入模型中，还是只会导致多重共线性？

谢谢！

4

1 回答 1

1

结果是二元的，因此自然建模框架将是逻辑回归。我没有看到数据收集的层次结构，因此建议使用 -*运算符在区域和动机之间形成的交互项。

 glm( vote_for_party_XY ~ region_AB * motive +  voter_attribute, family = "binomial")

请注意，当使用“*”运算符时，R 公式界面包括两个“主效应”术语。你会得到同样的效果：

 region_AB + motive + region_AB : motive

将有（至少）三个系数来描述区域动机结果：一个单独用于区域（适用于区域==1 和动机=0 的人），第二个用于单独的动机（适用于区域 0 的人，以及动机=1）和第三个（对于那些同时具有区域=1和动机=1的人）。所有估计都将与适用于所有因素都在 0-（参考）水平的人的截距项相关。要计算 region=1 和 region=1 的人的投票率，请添加 Intercept、region=1 和交互系数的系数。如果“区域”（例如 n）和“动机”（例如 m）的两个级别以上，则系数的数量将为1 +(n-1) +(m-1)+(n-1)*(m-1)，我认为会出现n*m（包括拦截）。

于 2018-06-04T21:02:26.040 回答