[调节效应专题]如何调教你的Stata好好做调节

在我们探讨变量Y与X之间的关系时（通常称为主效应），有时需要展示不同情境下（调节变量M取不同值），X对Y影响发生的不同。这一过程称为M对Y-X关系的调节效应。更进一步，甚至还会探讨这一调节效应在不同情况下的不同（通常称3项调节）。那么如何使用Stata对调节效应进行展示呢？通常我们可以使用以下3种方法：

添加交互项

分组回归比较系数差异

图像展示

为此，我们将分3次为大家展示如何使用Stata来做调节效应，对于特殊情况（非线性关系）我们会再单独讲解。

为了更好的再现代码效果，我依然使用软件自带数据 auto.dta 进行演示。

如图1所示，在控制了 weight 之后，length 对 price 有一个负向显著的作用。

如图2所示，我们看到交互项 c.length#c.foreign 的系数为+，在0.01水平上显著，且与 图1 中length的系数(-91.37)符号相反。那么我们可以说 foreign 越大，削弱了length对price的负面影响。

几个常见的问题

Q：在做主效应时，是否要控制调节变量M？

A：两种做法在顶级文献中都有。因此并没有绝对的要求，可以参考目标期刊往期文章。

但是我个人建议是，最好提前控制！！！！原因有2:

一般没有充足的理由说明调节变量本身对于因变量Y没有影响，那就应该控制；

另外，由于变量可能有缺失值，如果因为加入调节变量导致整体样本量发生改变，也难以在论文结果展示中予以说明。因此提前控制是比较妥当的做法。

Q：如何判断调节效应是加强还是削弱主效应？

A：调节效应是冠以“加强”还是“削弱”，取决于交互项与主效应系数是否同号，同号就是加强主效应；异号就是削弱主效应。

Q：非得使用 ## 来表示添加交互项吗？

A：当然可以手动计算交互项，但是使用##有独特的优势：

不用手动计算交互项，保持数据“苗条”。

看起来非常直观，一眼就能知道是哪两个变量做交互

后续分析更方便（制图等）

另外，注意，如果只写一个#，那么仅仅会放入交互项 c.X#c.M，X和M的一次项都不会放入。前缀 c. 是告诉Stata，本变量为连续变量；不加前缀则Stata将会将其作为离散变量（等同于前缀 i.）。对于实际的离散变量，如果不需要探讨每一个取值的影响（即只需要一个统一的调节效应系数），那么依然可以将其作为连续变量处理。

Q：有些方法类文献说，需要对交互项的X进行中心化，这种方法似乎没法中心化？

A：首先，可以提前中心化，中心化本质只是减去一个均值而已，不会影响系数的方向和显著性（大小可能会发生改变）；其次，对交互项中的X进行中心化本身也不是必须的，中心化只是为了保证在加入交互项以后，X的一次项系数依旧有实际意义罢了。如图2，length的系数以及显著性与图1相比发生了很大的改变，在许多研究中，甚至变得符号相反，或者不再显著。如果中心化，则相对可以保持系数不变，但并没有必要。评审不会追究加了交互项的模型中X的系数大小以及显著性。

Q：如果我有多个调节变量，该怎么修改代码？

A：如以下代码：

Q：如果我需要做三项调节，怎么修改代码？

A：如以下代码：