下载客户端

顶刊推介 | 我们应该在多大程度上信任乘积交互模型？改进实证研究的简单工具

2022-09-20 10:55

来源：澎湃新闻·澎湃号·湃客

我们应该在多大程度上信任乘积交互模型？改进实证研究的简单工具

摘要:

乘积交互模型在社会科学中被广泛用于检查因变量与自变量之间的关系是否随调节变量而变化。然而，近来的实证研究主要存在两个问题。第一，古典标准乘积交互模型预设了一个随调节变量保持一个常数变化率的线性交互作用假定，这一假定过强因而在实践中可能不能满足这个假定。第二，一些研究缺乏对调节变量的共同支持，因此这些研究对自变量的条件作用的估计是有偏误的。我们复制了五个顶级政治学期刊中22篇最新发表的46个互动效应，发现这些核心假设在实践中经常失败，这表明所有政治学子领域中基于交互模型的很大一部分研究结果都是脆弱的，并且依赖于模型。我们提出了一个简单的诊断方式，以评估这些假设的有效性，并提供灵活的估计策略，允许非线性互动效应，防止过度推断。这些统计程序在R和STATA中都可以使用。

作者简介:

Jens Hainmueller，斯坦福大学政治学系

Jonathan Mummolo，普林斯顿大学伍德罗威尔逊公共与国际事务学院

Yiqing Xu，斯坦福大学政治学系

编译来源:

Hainmueller, Jens, Jonathan Mummolo, and Yiqing Xu. “How Much Should We Trust Estimates from Multiplicative Interaction Models? Simple Tools to Improve Empirical Practice.” Political Analysis 27, no. 2 (2019): 163–92.

本文作者（从左往右）：Jens Hainmueller，Jonathan Mummolo，Yiqing Xu

本文主要建议

我们建议从事交互效应建模和测试条件假设的研究人员应进行以下诊断。

(1)检查原始数据。生成LID图，检查结果、处理和调节变量之间的条件关系是否被线性拟合很好地接近，并检查是否有足够的共同支持来计算调节变量各值的处理效果。如果模型中涉及额外的协变量，可以在对这些协变量进行残差处理后构建同样的处理图。如果处理和调节变量都是连续的，可以用GAM图来进一步帮助进行这些检查。考虑到交互作用模型的对称性，我们还建议以两种方式构建处理图，以检查D∣X和X∣D的边际效应，因为在标准模型中，两者都是线性的。如果变量的分布是高度偏斜/或不对称的，我们建议研究者使用适当的幂和/或根变换来减少偏斜，增加对称性，并帮助线性化变量之间的关系。

(2)应用分箱估计量。使用分箱估计量计算条件边际效应。根据我们的经验，三个大小相等的 bin（每个 tercile 一个）将评估点设置为 bin 中位数提供了一个合理的默认值，可以很好地了解效果异质性。如果需要更多细节并且有更多数据可用，则应使用更多箱。可以在预分析计划中预先指定箱的数量，以减少主观性。研究人员应避免在数据过于稀疏的区域计算边际效应，因为没有观察到调节变量的这些值，或者处理没有变化。为了帮助解决这个问题，我们建议在边际效应图的底部添加直方图，以显示调节因子的分布并检测缺乏共同支持的问题。

(3)应用核估计量。此外，建议使用核估计量生成边际效应估计值，以进一步评估效应的异质性并放宽协变量的线性假设。研究人员也可以使用其他机器学习方法来衡量处理效果在不同亚组或调节变量水平上的变化，但我们认为核方法在模型的复杂性和可解释性之间取得了良好的平衡，同时也便于应用研究人员使用。

(4)应用线性交互模型时要谨慎。只有在分箱和/或核估计量的估计值表明相互作用确实是线性的情况下，才能使用标准的线性相互作用模型和边际效应图，而且边际效应应该只对有足够共同支持的区域进行计算。如果在这种情况下使用标准线性交互模型，研究人员应遵循Brambor, Clark和Golder（参考Brambor, Clark and Golder2006）中描述的现有指南和相关建议。