之前的双连续变量交互作用作图，和分类变量与连续变量的交互都给大家写了，今天给大家写写，两个分类变量的交互，及简单斜率图画法。
本文的例子为：
在研究导师类型和性别这个两个自变量学生GPA的影响时，我们想看一看导师类型和性别的交互作用，这个例子中，导师类型和性别都是分类变量。
数据模拟
N <- 250
Q <- sample(rep(c(-1,0,1),N),N,replace = FALSE)
G <- sample(rep(c(0,1),N*3/2),N,replace = FALSE)
Y <- .5*Q + .25*G + 2.5*Q*G+ 1 + rnorm(N, sd=2)
Y = (Y - min(Y)) / (max(Y) - min(Y))*4
GPA.Data.3<-data.frame(GPA=Y,Tutor=Q,Gender=G)
上面的代码就模拟出了个数据框，其中Q为导师类型，有3类，模拟的时候用的-1，0，1代替，性别用的0，1
接下来，我们得将分类变量转化为哑变量，R会自动将因子处理为哑变量，所以我们直接转为因子就行：
GPA.Data.3$Tutor.F <- factor(GPA.Data.3$Tutor,
level=c(-1,0,1),
labels=c("No Tutor", "Group Tutor", "Private Tutor"))
GPA.Data.3$Gender.F <- factor(GPA.Data.3$Gender,
level=c(0,1),
labels=c("Male", "Female"))
回归分析
然后我们进行回归分析，一个是有交互作用的，一个是不含交互作用的
GPA.3.Model.1<-lm(GPA ~ Tutor.F+Gender.F, data = GPA.Data.3)
GPA.3.Model.2<-lm(GPA ~ Tutor.F*Gender.F, data = GPA.Data.3)
stargazer(GPA.3.Model.1, GPA.3.Model.2,type="html",
column.labels = c("Main Effects", "Interaction"),
intercept.bottom = FALSE,
single.row=TRUE,
notes.append = FALSE,
omit.stat=c("ser"),
star.cutoffs = c(0.05, 0.01, 0.001),
header=FALSE，
out="test.html")
运行代码得出回归分析的结果如下：
image
画简单斜率图
画斜率图的第一步依然是跑出每个子类的系数：
Inter.GPA.3 <- effect('Tutor.F*Gender.F', GPA.3.Model.2,
se=TRUE)
Inter.GPA.3.DF<-as.data.frame(Inter.GPA.3)
我们可以看一看每个子类的拟合系数长啥样：
image
上图就显示了，在两个自变量的不同水平fit值是不一样的，而且通过回归的交互项显著性分析，也是知道这个fit是有显著性差异的
接下来就开始画图：
Inter.GPA.3.DF$Tutor.F <- factor(Inter.GPA.3.DF$Tutor,
level=c("No Tutor", "Group Tutor", "Private Tutor"),
labels=c("No Tutor", "Group Tutor", "Private Tutor"))
Inter.GPA.3.DF$Gender.F <- factor(Inter.GPA.3.DF$Gender,
level=c("Male", "Female"),
labels=c("Male", "Female"))
Plot.GPA.3<-ggplot(data=Inter.GPA.3.DF, aes(x=Tutor.F, y=fit, group=Gender.F))+
geom_line(size=2, aes(color=Gender.F))+
geom_ribbon(aes(ymin=fit-se, ymax=fit+se,fill=Gender.F),alpha=.2)+
ylab("GPA")+
xlab("Tutor")+
ggtitle("Tutors and Gender as GPA Predictors")+
theme_bw()+
theme(text = element_text(size=12),
legend.text = element_text(size=12),
legend.direction = "horizontal",
panel.grid.major = element_blank(),
panel.grid.minor = element_blank(),
legend.position="top")
Plot.GPA.3
image
到这儿，我们的简单斜率图就画好了，注意两自变量都是分类变量的时候，x轴上的自变量有3个水平，所以这个斜率图一般都不是直的，一般斜率在中间都会打个折。
小结
今天给大家写了双分类变量的交互以及简单斜率图的做法，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：双因素方差分析与交互作用检验
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