全部版块 我的主页
› 论坛 › 计量经济学与统计论坛 五区 › 计量经济学与统计软件 › Stata专版
因变量与调节变量主效应均为正，交互项系数为负，怎么解释
547_1595982491
2020-12-29 19:08:04
霉菌- 发表于 2020-12-4 00:04
同学你好  我遇到了跟你一样的问题  就是调节变量和主变量都负  交互项为正  请问您最后是如何解释的呢   ...
主变量对被解释变量的负向影响随着调节变量增大而减弱？
二维码

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

晶晶哈哈
2021-3-9 14:45:46
cdx1217 发表于 2018-11-8 14:11
这是很正常的，x对y主效应为正，w（调节）对y也是正，x＊w对y为负。这种调节效应是Cohen(2003)认为的三种调 ...
竞争性的效应？替代性的效应？
二维码

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

cdx1217
2021-3-21 13:32:40
晶晶哈哈 发表于 2021-3-9 14:45
竞争性的效应？替代性的效应？
我觉得可以这么理解。是不是或者很像substitutes-for-leadership theory？
二维码

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

南瓜糕
2021-4-11 09:51:32
cdx1217 发表于 2018-11-8 14:11
这是很正常的，x对y主效应为正，w（调节）对y也是正，x＊w对y为负。这种调节效应是Cohen(2003)认为的三种调 ...
您好，请问您还有Cohen(2003)这篇文章吗？我在网上没有找到原文，方便的话能不能分享一下？谢谢，邮箱1415358977@163.com
二维码

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

rqbh165
2021-5-17 09:54:32
数据挖掘8023 发表于 2017-3-24 15:33
您好，请问有没有类似这种现象的文献呢？
我看到过将其称为“补偿效应”，但是如何理解呢？
二维码

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

深海歌
2021-9-4 00:27:29
霉菌- 发表于 2020-12-4 00:04
同学你好  我遇到了跟你一样的问题  就是调节变量和主变量都负  交互项为正  请问您最后是如何解释的呢   ...
请问您解决了吗？我的也是主变量和调节变量为负，交互项为正？您是如何解释的呢？
二维码

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

许三多aaa
2021-10-6 21:00:07
题主，我也遇到这个问题了，想请教一下您怎么解决的呢

二维码

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

phygmz
2021-12-15 21:23:59
Sat丶殇 发表于 2014-12-23 09:38
交叉项是指两个变量联合解释，单独变量解释时会存在很明显的偏误，通过增加交叉项来降低该变量的偏误，以及 ...
请问这篇文章题目是什么啊，谢谢
二维码

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

bearchenly
2022-5-7 20:13:28
Cohen(2003)原文286页：
file:///Users/ali/Downloads/20200804%E4%BA%A4%E4%BA%92%E9%A1%B9%E4%B8%93%E9%A2%98/ebooksclub.org__Applied_Multiple_Regression_Correlation_Analysis_for_the_Behavio.pdf
二维码

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

gwrsm
2023-8-18 23:09:56
看看学习。。。。。。。。。。。。
二维码

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

赵安豆
2024-5-6 10:52:07
在你的研究中，出现这种情况可能有以下几种解释：

1. **非线性关系**：m 对 y 的负向影响可能只在 x 的某一特定区间内显现，而在其他区间可能是正向的。这意味着简单的线性回归可能未能捕捉到这种复杂的关系。你可能需要考虑使用非线性模型或者对 m 进行分段分析以揭示其真实效应。

2. **交互项的解释**：虽然 m 单独对 y 是正相关，但交互项为负表明在高 x 值时，m 对 y 的影响减弱。也就是说，当 x 增加时，m 对 y 的正向影响降低，这仍然符合调节效应的预期。

3. **样本选择偏差**：你的样本可能不均匀分布，导致 m 对 y 的总体估计为正，但在实际特定情境下，m 可能是负相关。检查样本特征和分布可能有助于理解这一现象。

4. **其他变量影响**：可能存在未控制的混淆变量，它们可能与 x、m 或 y 有交互作用，导致这种看似矛盾的结果。

建议你重新审视数据，考虑使用更复杂的模型来探索非线性关系，并检查潜在的样本选择问题和遗漏变量。同时，理论背景和领域知识对于理解这种结果也非常重要。如果可能的话，进行敏感性分析或与其他研究对比，以确认你的发现是否一致。

此文本由CAIE学术大模型生成，添加下方二维码，优先体验功能试用



二维码

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

pengben7238
2024-9-13 10:49:22
谢谢老师，有学到
二维码

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

首页上一页下一页跳至第页
栏目导航
热门文章
推荐文章

说点什么

分享

微信QQ空间QQ微博
扫码加好友，拉您进群
各岗位、行业、专业交流群