发帖
雷达卡
结论先行
做交互项检验时，只要把“异质性变量 Z”与解释变量 X 构成交互项 X×Z 即可，Z 自身不需要再作为独立解释变量加入；
做分组回归（sub-sample）时，Z 不进模型，而是用 Z 把样本切成若干组分别估计；
两种方法目的相同，但模型设定不同，二选一即可，切忌“既交互又分组”重复论证。
一张图看懂区别
方法 | 模型写法 | Z 是否出现在方程里 | 检验统计量 |
交互项 | Y = β₀ + β₁X + β₂(X×Z) + β₃Controls + ε | Z 不进主方程（只以交互形态出现） | β₂ 显著即可 |
分组回归 | 高 Z 组：Y = α₁X + γ₁Controls + ε₁ | Z 完全不出现 | α₁ 与 α₂ 差异显著 |
注：当 Z 是连续变量且交互项已能完整捕捉边际效应时，加入 Z 主效应会引入多重共线性，但对结论无实质影响；可保留也可删除，只需在脚注说明。
当 Z 是类别变量（如东/中/西部）时，交互回归里仍需加入 Z 的哑元主效应，否则交互项系数解释会失真。
写作模板
交互法：
“表 4 列(3) 在基准模型中加入 X×Z 交互项，Z 本身不再作为独立解释变量以避免多重共线性；交互项系数显著为负（β = –0.12，p < 0.05），表明 X 对 Y 的促进作用随 Z 的升高而减弱。”
分组法：
“进一步按 Z 的中位数将样本分为高、低两组分别回归。高 Z 组 X 的系数不显著（β = 0.02，p = 0.42），低 Z 组显著为正（β = 0.18，p < 0.01）；Chow 检验 p = 0.037，验证了异质性。”
京公网安备 11010802022788号
