Logistic回归中的交互效应/格致方法定量研究系列

作者简介

詹姆斯·杰卡德（James Jaccard）,美国纽约州立大学奥尔巴尼分校心理学系的杰出教授。主要研究方向：心理学和青少年风险行为，尤其是青少年的意外怀孕和醉驾问题。

内容简介

社会科学研究对交互效应有多种定义方法，使用最广泛的一种方法是将交互效应置于因变量、自变量和调节变量（moderator variable）的框架中进行讨论。其中，因变量是结果变量，由自变量决定或者受到自变量的影响。自变量被认为是因变量的原因。当自变量对因变量的影响因为第三个变量，即“调节变量”的取值不同而不同时，我们就说存在交互效应。例如：政治态度对人们支持或反对某一法案的影响对于男性和女性来说是不一样的，在这里，政治态度是自变量，人们对该法案的态度是因变量，性别就是调节变量。再如：社会阶层对人们就医行为的影响在不同的族群中不一样，在这个例子中，社会阶层是自变量，就医行为是因变量，族群是调节变量。 用调节变量的方法分析交互效应时，我们需要有清晰的理论假设来界定何为调节变量，以及何为关键自变量（focal independent variable），即对因变量的作用受到调节变量影响的自变量。一般情况下，研究者在提出研究问题时会假设某个自变量可能会被其他调节变量影响，这种假设常常是很直观的。例如，有学者想研究某种治疗抑郁症的方法是否对男性和女性患者有不同的效果。此时，性别是调节变量，是否接受了治疗就是关键自变量。此外，对自变量和调节变量的定义会因为研究兴趣的不同而不同，研究者甲定义的关键自变量可以是研究者乙所定义的调节变量。比如研究消费行为时，一些研究者感兴趣的是商品质量和消费者购买意愿之间的关系，以及这种关系如何受到商品价格的影响。而对于市场研究者来说，他们更感兴趣的是商品价格如何影响购买意愿，以及这种影响如何因为商品质量的不同而不同。界定自变量和调节变量的依据是研究假设，没有绝对的标准来判定某种界定方式优于另一种。从统计上说，上述两个例子的方程是完全一样的，只是它们的理论关注点不同。 介绍了交互效应的一般特征之后，我们再从统计技术层面进行更深入的探讨。从调节变量的角度定义交互效应只是理解交互项参数的一种方法，有些社会科学研究者倾向于使用严格的统计定义，也有一些研究者兼顾了统计模型和研究设计。在如何参数化交互项方面，研究者的处理方法也不尽相同（Jaccard, 1998）。在本书中我们使用的是最常见的定义方法，将交互效应定义为：两个变量之间的关系是第三个变量（调节变量）的一个函数（双向交互效应的情况下）。这种方法虽然在社会科学研究中广泛使用，但是它也有局限性，即它本身不能告诉我们何为关键自变量、何为调节变量，研究者可以随意做出界定。我们在后面还会谈到，X对Y的作用被Z影响，或Z对Y的作用被X影响，两种情况下交互项的参数都是一样的。尽管如此，由于调节变量的概念直观且易于理解，绝大多数应用型研究者还是采用了这一方法。 社会统计必备技能书 ·案例生动丰富，易学易用 ·深入浅出，适于初学者学习