实证研究中对于主效应(因果效应)的验证是一篇大作的灵魂,这是大多数研究者挖空心思找外生事件做DID、RDD等的根本原因所在。但除此之外,进一步分析中,无论是好的调节效应还是异质性的考察,都能使文章大放异彩,使得结论更加可信,使内在机制的理解更容易直达人心,使政策建议更好地落地。但是,其实很多初学者对于使用交乘项回归or分组回归都不是很清楚,对于这一问题的系统讨论和辨明有利于我们有理有据的选择进一步分析的方法,使得这部分研究不至于看起来牵强附会。
根据个人的一些浅薄认识,交互项在管理学中更加常用,传统的工商管理研究重故事性(尤其是调查数据的研究),比如,以心理因素、个人偏好、性别等因素作为调节变量,对于内生性的检验受制于样本问题并不太充分,这种考察一般称之为调节效应的考察。
而对于偏经济类的研究者,一般会选择比较外生的标准分组进行回归,以检验不同分组的主要解释变量系数的显著性差异,以期发现有利于解释内在机制或者渠道的有意思的实证结果,称之为异质性的考察。例如考察企业层面因果关系时对区域市场化进程,金融市场发展程度等因素的带给微观企业层面的异质性,这种异质性更是一种系统性的差异,从统计学上等同于将所有的解释变量进行交互然后回归,能全面影响企业特征。
但在现实的实证研究中,交互项和异质性考察并没有清晰的界限,并存在严重混用的情形(本校一名年轻的活跃的实证研究教授指出,90%的国内已经发表的实证研究文献对交互项的处理都是错误的)。以企业性质为例,许多学者进行以企业性质做分组回归的同时,另外一些学者以企业性质和主要解释变量的交互项视图解释因果效应的差异。导致研究方法分化的深层次的原因,我询问过很多实证研究的学者,几乎没有很清楚讲明白。于是,趁各位坛友暑假较为空闲的机会,向各位请教并讨论交互项以及分组回归方法的异同、试用场景,共同进步、共同提高。为鼓励积极发言,您发表看法,我送您论坛币