当前位置：首页 > 技术知识 > 正文内容

R数据分析:交互作用的简单斜率图做法及解释

maynowei9个月前 (08-16)技术知识87

之前的文章给大家写了两个连续变量的交互作用，今天给大家写写比较常见，也是比较简单的：

一个连续变量和一个分类变量的交互。

具体的例子为：我们在研究GPA的影响因素时，我们想看一看学习态度和性别的交互作用，在这个例子中，学习态度为连续变量，性别为分类变量

数据模拟


n <- 250

X <- rnorm(n, 2.75, .75)

G <- sample(rep(c(0,1),N),N,replace = FALSE)    

Y <- .7*X + .3*G + 2*X*G + rnorm(n, sd = 5)     

Y = (Y - min(Y)) / (max(Y) - min(Y))*4

GPA.Data.2<-data.frame(GPA=Y, Work.Ethic=X, Gender=G)   

GPA.Data.2$Work.Ethic.C <- scale(GPA.Data$Work.Ethic, center = TRUE, scale = FALSE)

运行上面的代码我们就模拟出来的今天的数据集，但是我们知道性别是个二分类变量，我们是用0，1编码的性别，所以只用将其转化为因子就可以了：

GPA.Data$Gender.F <- factor(GPA.Data$Gender,    
                                   level=c(0,1),    
                                   labels=c("Male","Female"))

做回归

数据模拟出来了，哑变量也生成好了之后我们就可以做回归分析了，依然是跑两个模型，一个是带交互作用的，另外一个不带交互作用：

GPA.Model.1 <- lm(GPA~Work.Ethic.C+Gender.F, GPA.Data)
GPA.Model.2 <- lm(GPA~Work.Ethic.C*Gender.F, GPA.Data)

library(stargazer)
stargazer(GPA.Model.1, GPA.Model.2,type="html", 
          column.labels = c("Main Effects", "Interaction"), 
          intercept.bottom = FALSE, 
          single.row=FALSE,     
          notes.append = FALSE, 
          header=FALSE,
          out="test.html")

运行上面的代码就可以出来两个模型结果如下：

可以看到模型的输出中，交互项是有意义的。接下来我们开始画简单斜率图。

简单斜率图

首先我们得按自变量的水平将我们的交互作用模型再次拟合，给相应的系数取均值：

library(effects)
#交互作用
Inter.GPA.2 <- effect('Work.Ethic.C*Gender.F', GPA.Model.2,
                      xlevels=list(Work.Ethic.C = c(-1.1, 0, 1.1)),
                      se=TRUE, confidence.level=.95, typical=mean)


Inter.GPA.2<-as.data.frame(Inter.GPA.2)

运行上面的代码就得到了相应的系数，然后我们给我们的系数加上标签就可以用ggplot2画出简单斜率图：

Inter.GPA.2$Work.Ethic<-factor(Inter.GPA.2$Work.Ethic.C,
                               levels=c(-1.1, 0, 1.1),
                               labels=c("Poor Worker", "Average Worker", "Hard Worker"))
Inter.GPA.2$Gender<-factor(Inter.GPA.2$Gender.F,
                           levels=c("Male", "Female"))

library(ggplot2)

Plot.GPA.2<-ggplot(data=Inter.GPA.2, aes(x=Work.Ethic, y=fit, group=Gender))+
      coord_cartesian(ylim = c(0,4))+  
      geom_line(size=2, aes(color=Gender))+
      ylab("GPA")+
      xlab("Work Ethic")+
      ggtitle("Work Ethic and Gender as Predictors of GPA")+
      theme_bw()+ 
        theme(panel.grid.major=element_blank(),
        panel.grid.minor=element_blank())+
      scale_fill_grey()
Plot.GPA.2

以上就是我们最常见的交互作用类型的简单斜率图的画法。

小结

今天给大家写了分类变量和连续变量的交互及其简单斜率图的做法，之后会给大家写双分类变量交互。感谢大家耐心看完。发表这些东西的主要目的就是督促自己，希望大家关注评论指出不足，一起进步。内容我都会写的很细，用到的数据集也会在原文中给出链接，你只要按照文章中的代码自己也可以做出一样的结果，一个目的就是零基础也能懂，因为自己就是什么编程基础没有从零学Python和R的，加油。数据分析问题咨询，代处理请私信。

（站外链接发不了，请关注后私信回复“数据链接”获取本头条号所有使用数据）

往期内容：

R数据分析：双连续变量交互作用的简单斜率图作图及解释

R数据分析：双因素方差分析与交互作用检验

R数据分析：在tidyverse中“do”起什么作用

R数据分析：中介效应的做法