数据模拟

n<-250X<-rnorm(n,2.75,.75)G<-sample(rep(c(0,1),N),N,replace=FALSE)Y<-.7*X+.3*G+2*X*G+rnorm(n,sd=5)Y=(Y-min(Y))/(max(Y)-min(Y))*4GPA.Data.2<-data.frame(GPA=Y,Work.Ethic=X,Gender=G)GPA.Data.2$Work.Ethic.C<-scale(GPA.Data$Work.Ethic,center=TRUE,scale=FALSE)

运行上面的代码我们就模拟出来的今天的数据集，但是我们知道性别是个二分类变量，我们是用0，1编码的性别，所以只用将其转化为因子就可以了：

GPA.Data$Gender.F <- factor(GPA.Data$Gender, level=c(0,1), labels=c("Male","Female"))

做回归

数据模拟出来了，哑变量也生成好了之后我们就可以做回归分析了，依然是跑两个模型，一个是带交互作用的，另外一个不带交互作用：

GPA.Model.1<- lm(GPA~Work.Ethic.C+Gender.F, GPA.Data) GPA.Model.2<- lm(GPA~Work.Ethic.C*Gender.F, GPA.Data) library(stargazer) stargazer(GPA.Model.1, GPA.Model.2,type="html", column.labels = c("Main Effects","Interaction"), intercept.bottom =FALSE, single.row=FALSE, notes.append =FALSE, header=FALSE,out="test.html")

运行上面的代码就可以出来两个模型结果如下：

可以看到模型的输出中，交互项是有意义的。接下来我们开始画简单斜率图。

简单斜率图

首先我们得按自变量的水平将我们的交互作用模型再次拟合，给相应的系数取均值：

library(effects)交互作用Inter.GPA.2<- effect(Work.Ethic.C*Gender.F, GPA.Model.2, xlevels=list(Work.Ethic.C = c(-1.1,0,1.1)), se=TRUE, confidence.level=.95, typical=mean) Inter.GPA.2<-as.data.frame(Inter.GPA.2)

运行上面的代码就得到了相应的系数，然后我们给我们的系数加上标签就可以用ggplot2画出简单斜率图：

Inter.GPA.2$Work.Ethic<-factor(Inter.GPA.2$Work.Ethic.C, levels=c(-1.1, 0, 1.1), labels=c("Poor Worker","Average Worker","Hard Worker")) Inter.GPA.2$Gender<-factor(Inter.GPA.2$Gender.F, levels=c("Male","Female"))library(ggplot2) Plot.GPA.2<-ggplot(data=Inter.GPA.2,aes(x=Work.Ethic,y=fit,group=Gender))+coord_cartesian(ylim=c(0,4))+geom_line(size=2,aes(color=Gender))+ylab("GPA")+xlab("WorkEthic")+ggtitle("WorkEthicandGenderasPredictorsofGPA")+theme_bw()+theme(panel.grid.major=element_blank(),panel.grid.minor=element_blank())+scale_fill_grey()Plot.GPA.2

以上就是我们最常见的交互作用类型的简单斜率图的画法。

小结

今天给大家写了分类变量和连续变量的交互及其简单斜率图的做法，之后会给大家写双分类变量交互。感谢大家耐心看完。发表这些东西的主要目的就是督促自己，希望大家关注评论指出不足，一起进步。内容我都会写的很细，用到的数据集也会在原文中给出链接，你只要按照文章中的代码自己也可以做出一样的结果，一个目的就是零基础也能懂，因为自己就是什么编程基础没有从零学Python和R的，加油。数据分析问题咨询，代处理请私信。

（站外链接发不了，请关注后私信回复数据链接获取本头条号所有使用数据）

往期内容：

R数据分析：双连续变量交互作用的简单斜率图作图及解释

R数据分析：双因素方差分析与交互作用检验

R数据分析：在tidyverse中do起什么作用

R数据分析：中介效应的做法