交互项系数为正，边际效用图的斜率向下（为负），是什么原因

黃河泉 发表于 2018-12-18 10:40
这"两个回归"是"两回事"，怎能混为一谈呢？

黄老师好！老师我就是用面板校正标准误(PCSE)跑了模型，命令为：tpcse ygrain lnlabprice industry agrmech labor lnsubsidy  lninput disaster lnperarea clabor_clnlabprice i.province t；交互项是劳动力价格（labprice）*农业劳动力数量（labor）。然后我想分别求劳动力价格（labprice），农业劳动力数量（labor）的偏导数，得到这两个变量对Y影响的边际效应。求偏导数分别为：Y=A1+A2*labprice;Y=A1+A2*labor;这两个方程中的A2是方程的交互项系数。然后用interflex命令画图。用的命令是：
tempfile interflex_clabor
tempfile interflex_clnlabprice
interflex ygrain clnlabprice clabor  industry agrmech  lnsubsidy  lninput disaster lnperarea, type(linear) ///
             ylab("grain") dlab("lnlabprice") xlab("labor")
interflex ygrain  clabor clnlabprice industry agrmech  lnsubsidy  lninput disaster lnperarea, type(linear) ///
             ylab("grain") dlab("labor") xlab("lnlabprice")
我没有太明白黄老师说的两个回归不能混为一谈的具体意思？老师能跟我解答下吗？

命令不对

1. xtpcse ygrain lnlabprice industry agrmech labor lnsubsidy  ///
   
2.            lninput disaster lnperarea c.labor#c.lnlabprice i.province

复制代码

黃河泉 发表于 2018-12-18 10:40
这"两个回归"是"两回事"，怎能混为一谈呢？

谢谢黄老师的回复，老师我还是不太明白您说的不能将两个回归混为一谈，具体是什么意思。老师是说我跑回归的方程，和求偏导数的方程不能当做一回事？但是我是用回归方程求偏导数，得到一元一次方程，用这个方程作边际效用图。老师，为了让我自己表述更清楚，我将我基本的想法写在了纸上，如下上传的图片，希望能得到老师的帮助。

天雨流芳黄 发表于 2018-12-18 11:27
谢谢黄老师的回复，老师我还是不太明白您说的不能将两个回归混为一谈，具体是什么意思。老师是说我跑回归 ...

蓝色 发表于 2018-12-18 11:19
命令不对

我比较了你的命令和我的命令，应该是一个意思呢。你给我写的命令缺少了t,然后就是交互项的表达方式不一致。我的命令是：center labor lnlabprice, prefix(c)
                         gen clabor_clnlabprice=clabor*clnlabprice
用clabor_clnlabpric表示交互项和你表达的应该是一个意思吧，只是我们对交互项的定义不一样。你应该是：
gen c.labor#c.lnlabprice=clabor*clnlabprice ？

你的命令 交互项是生产的新变量，软件不会当成2变量相乘，
求边际影响计算就不对，没有考虑交互项
我的那个写法，软件才能把交互项中的一个变量考虑进去

你可以比较一下下面的边际影响的差别

1. . sysuse auto,clear
   
2. (1978 Automobile Data)
   
3. 
   
4. .
   
5. . gen y=price
   
6. 
   
7. . gen x1=length
   
8. 
   
9. . gen x2=turn
   
10. 
    
11. . gen cx1x2=c.x1#c.x2
    
12. 
    
13. .
    
14. .
    
15. . reg y x1 x2 c.x1#c.x2
    
16. 
    
17.       Source |       SS           df       MS      Number of obs   =        74
    
18. -------------+----------------------------------   F(3, 70)        =      6.77
    
19.        Model |   142745925         3    47581975   Prob > F        =    0.0005
    
20.     Residual |   492319471        70   7033135.3   R-squared       =    0.2248
    
21. -------------+----------------------------------   Adj R-squared   =    0.1915
    
22.        Total |   635065396        73  8699525.97   Root MSE        =      2652
    
23. 
    
24. ------------------------------------------------------------------------------
    
25.            y |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
    
26. -------------+----------------------------------------------------------------
    
27.           x1 |   -101.608   135.0307    -0.75   0.454    -370.9183    167.7022
    
28.           x2 |  -1132.329   693.3782    -1.63   0.107    -2515.228    250.5707
    
29.              |
    
30.    c.x1#c.x2 |   4.894292   3.448153     1.42   0.160    -1.982832    11.77142
    
31.              |
    
32.        _cons |   33278.57   25934.92     1.28   0.204       -18447    85004.13
    
33. ------------------------------------------------------------------------------
    
34. 
    
35. . margins ,dydx(*) atmeans
    
36. 
    
37. Conditional marginal effects                    Number of obs     =         74
    
38. Model VCE    : OLS
    
39. 
    
40. Expression   : Linear prediction, predict()
    
41. dy/dx w.r.t. : x1 x2
    
42. at           : x1              =    187.9324 (mean)
    
43.                x2              =    39.64865 (mean)
    
44. 
    
45. ------------------------------------------------------------------------------
    
46.              |            Delta-method
    
47.              |      dy/dx   Std. Err.      t    P>|t|     [95% Conf. Interval]
    
48. -------------+----------------------------------------------------------------
    
49.           x1 |   92.44402   28.08376     3.29   0.002     36.43272    148.4553
    
50.           x2 |  -212.5323   143.6456    -1.48   0.143    -499.0244    73.95975
    
51. ------------------------------------------------------------------------------
    
52. 
    
53. . reg y x1 x2 cx1x2
    
54. 
    
55.       Source |       SS           df       MS      Number of obs   =        74
    
56. -------------+----------------------------------   F(3, 70)        =      6.77
    
57.        Model |   142745925         3    47581975   Prob > F        =    0.0005
    
58.     Residual |   492319471        70   7033135.3   R-squared       =    0.2248
    
59. -------------+----------------------------------   Adj R-squared   =    0.1915
    
60.        Total |   635065396        73  8699525.97   Root MSE        =      2652
    
61. 
    
62. ------------------------------------------------------------------------------
    
63.            y |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
    
64. -------------+----------------------------------------------------------------
    
65.           x1 |   -101.608   135.0307    -0.75   0.454    -370.9183    167.7022
    
66.           x2 |  -1132.329   693.3782    -1.63   0.107    -2515.228    250.5707
    
67.        cx1x2 |   4.894292   3.448153     1.42   0.160    -1.982832    11.77142
    
68.        _cons |   33278.57   25934.92     1.28   0.204       -18447    85004.13
    
69. ------------------------------------------------------------------------------
    
70. 
    
71. . margins ,dydx(*) atmeans
    
72. 
    
73. Conditional marginal effects                    Number of obs     =         74
    
74. Model VCE    : OLS
    
75. 
    
76. Expression   : Linear prediction, predict()
    
77. dy/dx w.r.t. : x1 x2 cx1x2
    
78. at           : x1              =    187.9324 (mean)
    
79.                x2              =    39.64865 (mean)
    
80.                cx1x2           =    7534.784 (mean)
    
81. 
    
82. ------------------------------------------------------------------------------
    
83.              |            Delta-method
    
84.              |      dy/dx   Std. Err.      t    P>|t|     [95% Conf. Interval]
    
85. -------------+----------------------------------------------------------------
    
86.           x1 |   -101.608   135.0307    -0.75   0.454    -370.9183    167.7022
    
87.           x2 |  -1132.329   693.3782    -1.63   0.107    -2515.228    250.5707
    
88.        cx1x2 |   4.894292   3.448153     1.42   0.160    -1.982832    11.77142
    
89. ------------------------------------------------------------------------------

复制代码

天雨流芳黄 发表于 2018-12-18 11:05
黄老师好！老师我就是用面板校正标准误(PCSE)跑了模型，命令为：tpcse ygrain lnlabprice industry agrme ...

我的意思说，你画图用的 interflex 本身已经自己有估计 (其估计方法与结果与 xtpcse 应该不一样)，才能画图，请好好看看 interflex 之介绍。

被解释变量是虚拟变量的可以用interflex命令吗？