Разделы презентаций

1 ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ Модель, представленная выше, является

Содержание

2Когда в начале предыдущей главы была введена множественная регрессия, было указано, что коэффициенты наклона представляют собой отдельные индивидуальные предельные эффекты переменных на Y, оставляя остальные переменные постоянными.ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ

Слайды и текст этой презентации

Слайд 11
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
Модель, представленная выше, является линейной по параметрам и

может быть установлена с использованием простой OLS при условии, что

ограничения модели регрессии выполнены. Однако, тот факт, что она является нелинейной по переменным, имеет последствия для интерпретации параметров.
1ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХМодель, представленная выше, является линейной по параметрам и может быть установлена с использованием простой OLS

Слайд 22
Когда в начале предыдущей главы была введена множественная регрессия, было

указано, что коэффициенты наклона представляют собой отдельные индивидуальные предельные эффекты

переменных на Y, оставляя остальные переменные постоянными.

ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ

2Когда в начале предыдущей главы была введена множественная регрессия, было указано, что коэффициенты наклона представляют собой отдельные

Слайд 33
В данной модели такая интерпретация невозможна. В частности, невозможно интерпретировать

b2 как воздействие X2 на Y, оставляя X3 и X2X3

постоянными, поскольку невозможно сохранить X3 и X2X3 постоянными, если X2 изменяется.

ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ

3В данной модели такая интерпретация невозможна. В частности, невозможно интерпретировать b2 как воздействие X2 на Y, оставляя

Слайд 44
Чтобы правильно интерпретировать коэффициенты, теперь мы можем переписать модель, как

это представлено выше. Коэффициент X2, (b2 + b4X3) теперь можно

интерпретировать как предельный эффект X2 на Y, обусловленный значением X3.

ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ

4Чтобы правильно интерпретировать коэффициенты, теперь мы можем переписать модель, как это представлено выше. Коэффициент X2, (b2 +

Слайд 55
Переписанная модель явно указывает на то, что предельный эффект X2

зависит от значения X3. Интерпретация b2 становится теперь предельным эффектом

X2 на Y, когда X3 равно нулю.

ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ

5Переписанная модель явно указывает на то, что предельный эффект X2 зависит от значения X3. Интерпретация b2 становится

Слайд 66
Можно так же переписать модель, как в третьей строке. Отсюда

можно увидеть, что предельный эффект X3 на Y, обусловленный значением

X2 равен (b3 + b4X2) и что b3 можно интерпретировать как предельный эффект X3 на Y, когда X2 равно нулю.

ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ

6Можно так же переписать модель, как в третьей строке. Отсюда можно увидеть, что предельный эффект X3 на

Слайд 77
b4 можно интерпретировать как изменение коэффициента X2 при изменении X3

на единицу. В равной степени это можно интерпретировать как изменение

коэффициента X3, когда X2 изменяется на единицу.

ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ

7b4 можно интерпретировать как изменение коэффициента X2 при изменении X3 на единицу. В равной степени это можно

Слайд 88
Если X3 = 0 далеко за пределами его диапазона в

выборке, то интерпретация b2 как предельного эффекта X2, когда X3

= 0 следует рассматривать с осторожностью. То же самое относится и к интерпретации b3 как предельного эффекта X2 при X3 = 0.

ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ

8Если X3 = 0 далеко за пределами его диапазона в выборке, то интерпретация b2 как предельного эффекта

Слайд 99
Иногда оценка будет выглядеть совершенно неправдоподобной, так же, как оценка

постоянной в регрессии часто неправдоподобна, если дана буквальная интерпретация.
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ

ПЕРЕМЕННЫХ
9Иногда оценка будет выглядеть совершенно неправдоподобной, так же, как оценка постоянной в регрессии часто неправдоподобна, если дана

Слайд 1010
Это может затруднить сравнение оценок эффектов X2 и X3 на

Y в моделях, исключающих и включающих взаимодействие переменных.
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ

10Это может затруднить сравнение оценок эффектов X2 и X3 на Y в моделях, исключающих и включающих взаимодействие

Слайд 1111
Один из способов облегчения проблемы состоит в том, чтобы промасштабировать

X2 и X3, чтобы они измерялись согласно из выборочному значению.
ВЗАИМОДЕЙСТВИЕ

НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
11Один из способов облегчения проблемы состоит в том, чтобы промасштабировать X2 и X3, чтобы они измерялись согласно

Слайд 1212
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
Подставляя X2 и X3, модель, как показано, с

новыми параметрами, определена исходными постоянными.

12ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХПодставляя X2 и X3, модель, как показано, с новыми параметрами, определена исходными постоянными.

Слайд 1313
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
Дело в том, что коэффициенты X2 и X3

теперь дают предельные эффекты на переменные, когда другие переменные основываются

на выборочном среднем, что, в некоторой степени, является репрезентативным значением.
13ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХДело в том, что коэффициенты X2 и X3 теперь дают предельные эффекты на переменные, когда

Слайд 1414
Например, можно видеть, что b2* дает предельный эффект X2*, и

следовательно, X2, когда X3* = 0, то есть, когда X3

является его выборочным средним.

ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ

14Например, можно видеть, что b2* дает предельный эффект X2*, и следовательно, X2, когда X3* = 0, то

Слайд 1515
b3* имеет аналогичную интерпретацию.
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ

15b3* имеет аналогичную интерпретацию.ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ

Слайд 16. reg LGEARN S EXP
----------------------------------------------------------------------------
Source |

SS df MS

Number of obs = 500
-----------+------------------------------ F( 2, 497) = 40.12
Model | 21.2104059 2 10.6052029 Prob > F = 0.0000
Residual | 131.388814 497 .264363811 R-squared = 0.1390
-----------+------------------------------ Adj R-squared = 0.1355
Total | 152.59922 499 .30581006 Root MSE = .51416
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | .0916942 .0103338 8.87 0.000 .0713908 .1119976
EXP | .0405521 .009692 4.18 0.000 .0215098 .0595944
_cons | 1.199799 .1980634 6.06 0.000 .8106537 1.588943
----------------------------------------------------------------------------

16

Мы проиллюстрируем анализ уравнением заработной платы, в котором логарифм почасового дохода регрессируется по годам обучения и опыта работы. Начнем с простого линейного описания, используя EAWE Data Set 21.

ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ

. reg LGEARN S EXP---------------------------------------------------------------------------- Source | SS df

Слайд 1717
Регрессия предполагает, что дополнительный год обучения увеличивает заработную плату на

9.2 процента, а дополнительный год работы увеличивается на 4.1 процента.
ВЗАИМОДЕЙСТВИЕ

НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ

. reg LGEARN S EXP
----------------------------------------------------------------------------
Source | SS df MS Number of obs = 500
-----------+------------------------------ F( 2, 497) = 40.12
Model | 21.2104059 2 10.6052029 Prob > F = 0.0000
Residual | 131.388814 497 .264363811 R-squared = 0.1390
-----------+------------------------------ Adj R-squared = 0.1355
Total | 152.59922 499 .30581006 Root MSE = .51416
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | .0916942 .0103338 8.87 0.000 .0713908 .1119976
EXP | .0405521 .009692 4.18 0.000 .0215098 .0595944
_cons | 1.199799 .1980634 6.06 0.000 .8106537 1.588943
----------------------------------------------------------------------------

17Регрессия предполагает, что дополнительный год обучения увеличивает заработную плату на 9.2 процента, а дополнительный год работы увеличивается

Слайд 18. gen SEXP = S*EXP
. reg LGEARN S EXP SEXP
----------------------------------------------------------------------------

Source | SS

df MS Number of obs = 500
-----------+------------------------------ F( 3, 496) = 26.75
Model | 21.254031 3 7.08467699 Prob > F = 0.0000
Residual | 131.345189 496 .264808848 R-squared = 0.1393
-----------+------------------------------ Adj R-squared = 0.1341
Total | 152.59922 499 .30581006 Root MSE = .5146
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | .0843417 .0208594 4.04 0.000 .0433581 .1253253
EXP | .0234143 .0433233 0.54 0.589 -.0617055 .1085341
SEXP | .0012184 .0030019 0.41 0.685 -.0046796 .0071165
_cons | 1.308507 .3332092 3.93 0.000 .6538312 1.963182
----------------------------------------------------------------------------

18

Взаимоотношение переменных SEXP определяется как произведение S и EXP, и регрессия выполняется снова, включая эту переменную.

ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ

. gen SEXP = S*EXP. reg LGEARN S EXP SEXP---------------------------------------------------------------------------- Source | SS

Слайд 1919
Коэффициент обучения упал. Теперь он изменил свое значение. В настоящее

время оценивается влияние дополнительного учебного года для тех, кто не

имеет опыта работы.

ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ

. reg LGEARN S EXP
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | .0916942 .0103338 8.87 0.000 .0713908 .1119976
EXP | .0405521 .009692 4.18 0.000 .0215098 .0595944
_cons | 1.199799 .1980634 6.06 0.000 .8106537 1.588943
----------------------------------------------------------------------------

. gen SEXP = S*EXP
. reg LGEARN S EXP SEXP
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | .0843417 .0208594 4.04 0.000 .0433581 .1253253
EXP | .0234143 .0433233 0.54 0.589 -.0617055 .1085341
SEXP | .0012184 .0030019 0.41 0.685 -.0046796 .0071165
_cons | 1.308507 .3332092 3.93 0.000 .6538312 1.963182
----------------------------------------------------------------------------

19Коэффициент обучения упал. Теперь он изменил свое значение. В настоящее время оценивается влияние дополнительного учебного года для

Слайд 2020
Коэффициент опыта резко упал. Его значение так же изменилось. Теперь

это относится к людям без обучения, и каждый человек в

выборке имел не менее 8 лет опыта.

ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ

. reg LGEARN S EXP
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | .0916942 .0103338 8.87 0.000 .0713908 .1119976
EXP | .0405521 .009692 4.18 0.000 .0215098 .0595944
_cons | 1.199799 .1980634 6.06 0.000 .8106537 1.588943
----------------------------------------------------------------------------

. gen SEXP = S*EXP
. reg LGEARN S EXP SEXP
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | .0843417 .0208594 4.04 0.000 .0433581 .1253253
EXP | .0234143 .0433233 0.54 0.589 -.0617055 .1085341
SEXP | .0012184 .0030019 0.41 0.685 -.0046796 .0071165
_cons | 1.308507 .3332092 3.93 0.000 .6538312 1.963182
----------------------------------------------------------------------------

20Коэффициент опыта резко упал. Его значение так же изменилось. Теперь это относится к людям без обучения, и

Слайд 2121
Коэффициент SEXP показывает, что коэффициент школьного обучения падает на 0.0012,

that is, 0.12 процента за каждый дополнительный год работы. В

равной степени это указывает на то, что коэффициент опыта падает на 0.12 процента за каждый дополнительный год обучения.

ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ

. reg LGEARN S EXP
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | .0916942 .0103338 8.87 0.000 .0713908 .1119976
EXP | .0405521 .009692 4.18 0.000 .0215098 .0595944
_cons | 1.199799 .1980634 6.06 0.000 .8106537 1.588943
----------------------------------------------------------------------------

. gen SEXP = S*EXP
. reg LGEARN S EXP SEXP
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | .0843417 .0208594 4.04 0.000 .0433581 .1253253
EXP | .0234143 .0433233 0.54 0.589 -.0617055 .1085341
SEXP | .0012184 .0030019 0.41 0.685 -.0046796 .0071165
_cons | 1.308507 .3332092 3.93 0.000 .6538312 1.963182
----------------------------------------------------------------------------

21Коэффициент SEXP показывает, что коэффициент школьного обучения падает на 0.0012, that is, 0.12 процента за каждый дополнительный

Слайд 2222
Теперь мы определяем S1, EXP1, и SEXP1 как соответствующее обучение,

опыт и взаимодействующие переменные за вычетом средних значений и повторяем

регрессии. Сначала мы используем команду sum (summarize) для поиска средних значений S и EXP.

ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ

. sum S EXP

Variable | Obs Mean Std. Dev. Min Max
-------------+--------------------------------------------------------
S | 500 14.866 2.742825 8 20
EXP | 500 6.444577 2.924476 0 13.92308

. gen S1 = S - 14.866
. gen EXP1 = EXP - 6.445
. gen SEXP1 = S1*EXP1

22Теперь мы определяем S1, EXP1, и SEXP1 как соответствующее обучение, опыт и взаимодействующие переменные за вычетом средних

Слайд 23. reg LGEARN S1 EXP1
----------------------------------------------------------------------------
Source |

SS df MS

Number of obs = 500
-----------+------------------------------ F( 2, 497) = 40.12
Model | 21.2104059 2 10.605203 Prob > F = 0.0000
Residual | 131.388814 497 .26436381 R-squared = 0.1390
-----------+------------------------------ Adj R-squared = 0.1355
Total | 152.59922 499 .30581006 Root MSE = .51416
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S1 | .0916942 .0103338 8.87 0.000 .0713908 .1119976
EXP1 | .0405521 .009692 4.18 0.000 .0215098 .0595944
_cons | 2.824265 .0229941 122.83 0.000 2.779088 2.869443
----------------------------------------------------------------------------

23

Вот регрессия без взаимодействия переменных. Верхняя половина вывода идентична той, когда LGEARN был регрессирован на S и EXP. Какие различия вы ожидаете в нижней половине?

ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ

. reg LGEARN S1 EXP1---------------------------------------------------------------------------- Source | SS df

Слайд 2424
Коэффициенты наклона (и их стандартные ошибки и t статистика) такие

же как и раньше. Только постоянная была изменена путем вычитания

средней из S и EXP.

ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ

. reg LGEARN S1 EXP1
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S1 | .0916942 .0103338 8.87 0.000 .0713908 .1119976
EXP1 | .0405521 .009692 4.18 0.000 .0215098 .0595944
_cons | 2.824265 .0229941 122.83 0.000 2.779088 2.869443
----------------------------------------------------------------------------

. reg LGEARN S EXP
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | .0916942 .0103338 8.87 0.000 .0713908 .1119976
EXP | .0405521 .009692 4.18 0.000 .0215098 .0595944
_cons | 1.199799 .1980634 6.06 0.000 .8106537 1.588943
----------------------------------------------------------------------------

24Коэффициенты наклона (и их стандартные ошибки и t статистика) такие же как и раньше. Только постоянная была

Слайд 2525
В исходном описании постоянные оценки предсказывали LGEARN когда S =

0 и EXP = 0. Это подразумевает почасовой доход от

e1.20 = $3.32Сомнительно, имеет ли это значение.

ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ

. reg LGEARN S1 EXP1
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S1 | .0916942 .0103338 8.87 0.000 .0713908 .1119976
EXP1 | .0405521 .009692 4.18 0.000 .0215098 .0595944
_cons | 2.824265 .0229941 122.83 0.000 2.779088 2.869443
----------------------------------------------------------------------------

. reg LGEARN S EXP
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | .0916942 .0103338 8.87 0.000 .0713908 .1119976
EXP | .0405521 .009692 4.18 0.000 .0215098 .0595944
_cons | 1.199799 .1980634 6.06 0.000 .8106537 1.588943
----------------------------------------------------------------------------

25В исходном описании постоянные оценки предсказывали LGEARN когда S = 0 и EXP = 0. Это подразумевает

Слайд 2626
В пересмотренном описании постоянные оценки прогнозировали LGEARN когда S1 =

0 и EXP1 = 0, то есть когда S и

EXP являлись их выборочными средними. Это подразумевает почасовой доход e2.82 = $16.78. Это имеет смысл.

ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ

. reg LGEARN S1 EXP1
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S1 | .0916942 .0103338 8.87 0.000 .0713908 .1119976
EXP1 | .0405521 .009692 4.18 0.000 .0215098 .0595944
_cons | 2.824265 .0229941 122.83 0.000 2.779088 2.869443
----------------------------------------------------------------------------

. reg LGEARN S EXP
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | .0916942 .0103338 8.87 0.000 .0713908 .1119976
EXP | .0405521 .009692 4.18 0.000 .0215098 .0595944
_cons | 1.199799 .1980634 6.06 0.000 .8106537 1.588943
----------------------------------------------------------------------------

26В пересмотренном описании постоянные оценки прогнозировали LGEARN когда S1 = 0 и EXP1 = 0, то есть

Слайд 27. reg LGEARN S1 EXP1 SEXP1
----------------------------------------------------------------------------
Source |

SS df

MS Number of obs = 500
-----------+------------------------------ F( 3, 496) = 26.75
Model | 21.2540309 3 7.08467697 Prob > F = 0.0000
Residual | 131.345189 496 .264808848 R-squared = 0.1393
-----------+------------------------------ Adj R-squared = 0.1341
Total | 152.59922 499 .30581006 Root MSE = .5146
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S1 | .092194 .0104156 8.85 0.000 .0717299 .1126581
EXP1 | .0415275 .0099934 4.16 0.000 .0218929 .0611621
SEXP1 | .0012184 .0030019 0.41 0.685 -.0046796 .0071165
_cons | 2.829957 .0269497 105.01 0.000 2.777008 2.882907
----------------------------------------------------------------------------

27

Вот результаты регрессии с использованием S и EXP с вычтенными средними и взаимодействующими постоянными. Верхняя половина вывода идентична первой, когда LGEARN был регрессирован на S, EXP, и SEXP.

ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ

. reg LGEARN S1 EXP1 SEXP1---------------------------------------------------------------------------- Source | SS df

Слайд 2828
Однако нижняя половина отличается. Коэффициенты S1 и EXP1 измеряют эффекты

этих переменных для среднего значения другой переменной, то есть для

«типичного» индивида. Коэффициенты S и EXP измеряют их эффекты, когда другая переменная равна нулю.

ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ

. reg LGEARN S EXP SEXP
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | .0843417 .0208594 4.04 0.000 .0433581 .1253253
EXP | .0234143 .0433233 0.54 0.589 -.0617055 .1085341
SEXP | .0012184 .0030019 0.41 0.685 -.0046796 .0071165
_cons | 1.308507 .3332092 3.93 0.000 .6538312 1.963182
----------------------------------------------------------------------------

. reg LGEARN S1 EXP1 SEXP1
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S1 | .092194 .0104156 8.85 0.000 .0717299 .1126581
EXP1 | .0415275 .0099934 4.16 0.000 .0218929 .0611621
SEXP1 | .0012184 .0030019 0.41 0.685 -.0046796 .0071165
_cons | 2.829957 .0269497 105.01 0.000 2.777008 2.882907
----------------------------------------------------------------------------

28Однако нижняя половина отличается. Коэффициенты S1 и EXP1 измеряют эффекты этих переменных для среднего значения другой переменной,

Слайд 29. reg LGEARN S EXP SEXP
----------------------------------------------------------------------------
LGEARN |

Coef. Std. Err. t P>|t|

[95% Conf. Interval]
-----------+----------------------------------------------------------------
S | .0843417 .0208594 4.04 0.000 .0433581 .1253253
EXP | .0234143 .0433233 0.54 0.589 -.0617055 .1085341
SEXP | .0012184 .0030019 0.41 0.685 -.0046796 .0071165
_cons | 1.308507 .3332092 3.93 0.000 .6538312 1.963182
----------------------------------------------------------------------------

. reg LGEARN S1 EXP1 SEXP1
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S1 | .092194 .0104156 8.85 0.000 .0717299 .1126581
EXP1 | .0415275 .0099934 4.16 0.000 .0218929 .0611621
SEXP1 | .0012184 .0030019 0.41 0.685 -.0046796 .0071165
_cons | 2.829957 .0269497 105.01 0.000 2.777008 2.882907
----------------------------------------------------------------------------

29

Обратите внимание, что коэффициент взаимодействия постоянной один и тот же.

ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ

. reg LGEARN S EXP SEXP---------------------------------------------------------------------------- LGEARN | Coef. Std. Err.

Слайд 3030
Как и прежде, он измеряет изменение коэффициента школьного обучения на

единицу (один год) с изменением опыта и не влияет на

извлечение средней. Он также измеряет изменение коэффициента опыта на единицу изменения в школьном обучении.

ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ

. reg LGEARN S EXP SEXP
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | .0843417 .0208594 4.04 0.000 .0433581 .1253253
EXP | .0234143 .0433233 0.54 0.589 -.0617055 .1085341
SEXP | .0012184 .0030019 0.41 0.685 -.0046796 .0071165
_cons | 1.308507 .3332092 3.93 0.000 .6538312 1.963182
----------------------------------------------------------------------------

. reg LGEARN S1 EXP1 SEXP1
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S1 | .092194 .0104156 8.85 0.000 .0717299 .1126581
EXP1 | .0415275 .0099934 4.16 0.000 .0218929 .0611621
SEXP1 | .0012184 .0030019 0.41 0.685 -.0046796 .0071165
_cons | 2.829957 .0269497 105.01 0.000 2.777008 2.882907
----------------------------------------------------------------------------

30Как и прежде, он измеряет изменение коэффициента школьного обучения на единицу (один год) с изменением опыта и

Слайд 3131
С помощью переменных с вычтенным средним мы можем более четко

видеть влияние включения взаимодействия постоянных.
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
. reg LGEARN S1

EXP1
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S1 | .0916942 .0103338 8.87 0.000 .0713908 .1119976
EXP1 | .0405521 .009692 4.18 0.000 .0215098 .0595944
_cons | 2.824265 .0229941 122.83 0.000 2.779088 2.869443
----------------------------------------------------------------------------

. reg LGEARN S1 EXP1 SEXP1
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S1 | .092194 .0104156 8.85 0.000 .0717299 .1126581
EXP1 | .0415275 .0099934 4.16 0.000 .0218929 .0611621
SEXP1 | .0012184 .0030019 0.41 0.685 -.0046796 .0071165
_cons | 2.829957 .0269497 105.01 0.000 2.777008 2.882907
----------------------------------------------------------------------------

31С помощью переменных с вычтенным средним мы можем более четко видеть влияние включения взаимодействия постоянных.ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ.

Слайд 3232
Если мы предположим, что он должен быть в модели, то

не включая его, мы мало повлияем на коэффициенты обучения и

опыта.

ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ

. reg LGEARN S1 EXP1
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S1 | .0916942 .0103338 8.87 0.000 .0713908 .1119976
EXP1 | .0405521 .009692 4.18 0.000 .0215098 .0595944
_cons | 2.824265 .0229941 122.83 0.000 2.779088 2.869443
----------------------------------------------------------------------------

. reg LGEARN S1 EXP1 SEXP1
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S1 | .092194 .0104156 8.85 0.000 .0717299 .1126581
EXP1 | .0415275 .0099934 4.16 0.000 .0218929 .0611621
SEXP1 | .0012184 .0030019 0.41 0.685 -.0046796 .0071165
_cons | 2.829957 .0269497 105.01 0.000 2.777008 2.882907
----------------------------------------------------------------------------

32Если мы предположим, что он должен быть в модели, то не включая его, мы мало повлияем на

Слайд 3333
Для сравнения здесь снова приведены соответствующие результаты с исходными переменными,

где введение взаимодействия постоянных оказывает гораздо больший эффект.
ВЗАИМОДЕЙСТВИЕ НЕЗАВИСИМЫХ ПЕРЕМЕННЫХ
.

reg LGEARN S EXP
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | .0916942 .0103338 8.87 0.000 .0713908 .1119976
EXP | .0405521 .009692 4.18 0.000 .0215098 .0595944
_cons | 1.199799 .1980634 6.06 0.000 .8106537 1.588943
----------------------------------------------------------------------------

. reg LGEARN S EXP SEXP
----------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | .0843417 .0208594 4.04 0.000 .0433581 .1253253
EXP | .0234143 .0433233 0.54 0.589 -.0617055 .1085341
SEXP | .0012184 .0030019 0.41 0.685 -.0046796 .0071165
_cons | 1.308507 .3332092 3.93 0.000 .6538312 1.963182
----------------------------------------------------------------------------

33Для сравнения здесь снова приведены соответствующие результаты с исходными переменными, где введение взаимодействия постоянных оказывает гораздо больший

Похожие презентации

Спадковість і патологія Спадковість і патологія 237
Тема 26. Організація системи захисту підприємства від рейдерських захоплень Тема 26. Організація системи захисту підприємства від рейдерських захоплень 234
КАБ СТАЦЬ ЧАЛАВЕКАМ… КАБ СТАЦЬ ЧАЛАВЕКАМ… 686
Історія вчень про державу і право Історія вчень про державу і право 322
МДК.02.02. Процессы приготовления, подготовки к реализации и презентации МДК.02.02. Процессы приготовления, подготовки к реализации и презентации 242
ШИХАНЫ ШИХАНЫ 175
Вождение автотранспорта- дело серьезное Вождение автотранспорта- дело серьезное" 169
Конкуренция в жизни Конкуренция в жизни 203
Федеральный закон от 8 мая 2010 г. № 83-ФЗ О внесении изменений в отдельные Федеральный закон от 8 мая 2010 г. № 83-ФЗ О внесении изменений в отдельные 252
Перинатальные поражения нервной системы и их последствия Перинатальные поражения нервной системы и их последствия 208
ВВЕДЕНИЕ В НЕВРОЛОГИЮ кафедра нервных болезней и нейрохирургии РУДН ВВЕДЕНИЕ В НЕВРОЛОГИЮ кафедра нервных болезней и нейрохирургии РУДН 432
Биологическое разнообразие и пути его сохранения Биологическое разнообразие и пути его сохранения 244
Network Data Model Network Data Model 370
Санкт-Петербург – 2013 Т Е М А БАЗОВЫЕ ПОДСИСТЕМЫ СЗИ И ТРЕБОВАНИЯ К НИМ Санкт-Петербург – 2013 Т Е М А БАЗОВЫЕ ПОДСИСТЕМЫ СЗИ И ТРЕБОВАНИЯ К НИМ 328
Рисуем кисть рябины 2 класс Рисуем кисть рябины 2 класс 295
Топ самых перспективных направлений атомной отросли Топ самых перспективных направлений атомной отросли 208
Индивидуальный предприниматель Яксун Вероника Валерьевна Врач по общей Индивидуальный предприниматель Яксун Вероника Валерьевна Врач по общей 233
Тарьей Бё Тарьей Бё 367
Урок 3 Урок 3 477
Профилактика заболеваний тканей пародонта с применением средств, содержащих Профилактика заболеваний тканей пародонта с применением средств, содержащих 199

Обратная связь

Если не удалось найти и скачать доклад-презентацию, Вы можете заказать его на нашем сайте. Мы постараемся найти нужный Вам материал и отправим по электронной почте. Не стесняйтесь обращаться к нам, если у вас возникли вопросы или пожелания:

Email: Нажмите что бы посмотреть 

Что такое TheSlide.ru?

Это сайт презентации, докладов, проектов в PowerPoint. Здесь удобно  хранить и делиться своими презентациями с другими пользователями.

Для правообладателей

Яндекс.Метрика