如何解释两个虚拟变量之间交互项的系数答案

【问题标题】：How to interpret coefficient on interaction term between 2 dummy variables如何解释两个虚拟变量之间交互项的系数
【发布时间】：2021-01-17 12:43:45
【问题描述】：

使用逻辑回归，我试图模拟女性和收入低于贫困线（两个二元变量）对预测患高血压的概率的边际效应。我创建了一个交互项 (poverty_FEMALE) 来尝试对此进行建模，但不确定我对系数的解释是否正确。

这样说对吗：

低于阈值和男性的边际效应是：0.067 - 0.055
身为女性且不处于贫困状态的边际效应为：0.041 - 0.055
身为女性和贫困的边际效应是 -.055？

如果是这样，当这两个变量的系数各自为我们的正值时，为什么贫困和女性的风险较低是有意义的？

pov_FEMALE=(df$BELOW_100_POVERTY*(df$FEMALE))

Marginal Effects:
                       dF/dx  Std. Err.       z     P>|z|    
BELOW_100_POVERTY  0.0670417  0.0243266  2.7559 0.0058531 **  
FEMALE             0.0410705  0.0172280  2.3839 0.0171283 *  
pov_FEMALE        -0.0553485  0.0160284 -3.4531 0.0005541 ***

【问题讨论】：

你能告诉我们你的原始模型吗？以及如何得出边际效应（即，什么包/命令？）

标签： r regression analysis coefficients marginal-effects

【解决方案1】：

假设显示的 dF/dx 是您想要的边际效应类型，

低于阈值 (0.067) 和男性 (0) 的边际效应是：0.067
身为女性 (0.041) 且不处于贫困 (0) 的边际效应为：0.041
女性（0.041）和贫困（0.067）和联合条件（-0.055）的边际效应是：0.041 + 0.067 -.055

思考偏导数的含义。直接效应和交互效应是相加的，因为你对估计方程对变量 x 进行偏导。

假设您描述的变量是指标（值为 1 或 0），则基数（值为 0，例如“男性”）的边际效应不会与截距分开识别。只能将结果解释为基线概率加上边际效应，在这种情况下，基线被定义为男性和非贫困人口。

【讨论】：

好吧有道理。谢谢你这么清楚的解释！