回归分析第24讲：交互项——为什么平均效应有时候靠不住？

统计

这一讲，我们讨论一个在实证研究中极其常见、但经常被忽略的问题：

当一个变量，对不同人、不同环境、不同对象产生不同影响时，回归模型该怎么写？

在前一讲中，我们已经强调过：

很多经济关系并不是简单的线性关系，对数模型往往是对现实的一种改进。

但即便你已经用了 log，仍然可能犯一个更隐蔽的错误——

因为你在模型中默认：

同一个变量，对所有人、所有地区、所有时期的影响都是一样的。

这一讲要讲的“交互项（interaction term）”，正是用来打破这个假设的。

【一】什么是交互项：当“平均效应模型”不再成立

在大多数实证研究中，我们最常写的模型是：

在这个模型中，只是作为控制变量出现，但它隐含了一个经常被忽略的前提：

无论 Z 处在什么状态，X 对 Y 的影响强度都被认为是一样的。

不管研究对象是谁、环境如何、条件是否不同，X 的作用都被压缩成同一个系数。

一旦这个前提不成立，问题就来了：

对一部分样本是正效应
对另一部分样本是弱效应，甚至负效应
回归结果给你一个“平均值”，看起来不显著
或者显著，但并不对应任何一个真实群体

这时，并不是“模型没跑出来”，而是模型写错了。

交互项，正是用来处理这种情况的。

当我们认为：

的作用，取决于 Z，就需要在模型中写出二者的“相遇”：

交互项，就是两个自变量相遇后，产生了新的效果。

不是“多加的一个控制变量”，它回答的是：

在不同的 Z 条件下，X 对 Y 的作用强度是否不同。

【二】什么时候需要考虑交互项？如何在原模型中“发现”它

是否需要交互项，不能只靠感觉。只要研究中出现下面这些情况，就该警惕：

第一，研究对象本身就存在明确分组。

例如城乡、性别、行业、是否试点、是否高风险人群。如果你默认“一个系数管所有人”，这个假设本身就值得怀疑。

第二，同一个变量在不同子样本中表现很不一样。

分组回归时方向或显著性明显不同，往往意味着你在整体模型中遗漏了条件效应。

第三，结论经常变成“不显著但又说不清楚”。

不是没关系，而是关系被平均掉了。

第四，理论本身就暗含“在……条件下”。

只要你的理论表述中出现了“在……情况下”“对……更明显”“主要体现在……”，那几乎可以肯定：模型里应该有交互项。

一句话判断法：

只要你开始关心“对谁更有效”，而不是“有没有效”，就该考虑交互项。

【三】最常见、也最安全的交互项写法（只记这几种）

在实证论文中，真正高频、且不容易翻车的交互项，其实不多。

第一类（最常见的一类）：

连续变量 × 虚拟变量

例如：

收入 × 城乡
教育 × 性别
数字化 × 行业
污染暴露 × 是否高风险人群

这一类交互项，本质上回答的是：

同一个变量，对不同群体的作用是否不同？

第二类：

连续变量 × 连续变量

例如：

收入 × 年龄
资本 × 技术水平

它刻画的是边际效应的变化，但解释成本更高，写作时要克制。

第三类：

虚拟变量 × 虚拟变量

常见于政策评估，但解释必须非常清楚基准组，否则容易误读。

【四】案例与实操：加了交互项，结论为什么立刻清楚了

本案例使用一组关于健康水平与污染关系的个体层面数据，共 200 个观测值，旨在说明在存在群体差异的情况下，引入交互项的必要性。数据包含以下变量：

health_index：健康指数（因变量，数值越大表示健康状况越好）
pollution：污染暴露水平
high_risk：是否属于高风险人群（1=是，0=否）
age：年龄（控制变量）

本案例在 Stata 中完成。图 1 给出了主要变量的描述性统计结果。

图1 描述性统计分析

不考虑交互项的模型：一个“平均效应”的结论_

在不引入交互项的情况下，模型估计的是污染对健康的平均影响。这一设定隐含地假定：

污染对不同人群的影响强度是相同的，即尽管不同人群的健康水平存在差异，但污染对健康的边际影响并未区分人群类型。

表2 不包含交互项的回归结果

表 2 报告了不包含交互项的回归结果。结果显示，污染变量的回归系数约为 −0.38，且在 1% 显著性水平下显著，表明在控制其他因素后，污染水平每上升 1 个单位，健康指数平均下降约 0.38。同时，高风险人群的系数约为 −30，说明在污染水平相同的情况下，高风险人群的健康水平显著低于普通人群。

但在该模型中，高风险人群的健康劣势被刻画为一个固定差距，不会随着污染水平的变化而变化。换言之，该模型只能识别污染对健康的平均效应，无法揭示其在不同人群中的差异化影响。

引入交互项后的模型：平均效应被“拆开”

在模型中进一步引入污染与高风险人群的交互项后，回归结果显示，污染对健康的负面影响在不同人群之间存在显著差异。

表3 包含交互项的回归结果

表 3 报告了包含交互项的回归结果。在引入交互项后，污染对普通人群的健康影响仍为显著负向，其回归系数约为 −0.13；而污染与高风险人群的交互项系数约为 −0.61，同样在 1% 显著性水平下显著，表明污染对高风险人群的健康损害显著强于普通人群。

综合主效应与交互项可以发现，普通人群中污染的健康效应约为 −0.13，而在高风险人群中，该效应约为 −0.74，约为普通人群的 6 倍。这意味着，在包含交互项的模型中，高风险人群的健康劣势不再是一个固定差距，而是会随着污染水平的变化而动态放大。

模型对比带来的启示

对比不含交互项的平均效应模型与包含交互项的模型可以发现，前者掩盖了污染对不同人群影响的显著差异；而通过引入交互项，模型能够更准确地刻画污染作用的实际机制，从而使结论更加清晰，也更符合现实

【五】一句话总结

交互项的引入，使回归模型不再停留于平均效应，而能够揭示同一变量在不同人群中的差异化影响。