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

Q

G

Y

Y = (Y - min(Y)) / (max(Y) - min(Y))*4

GPA.Data.3

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

level=c(-1,0,1),

labels=c("No Tutor", "Group Tutor", "Private Tutor"))

GPA.Data.3$Gender.F

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

GPA.3.Model.2

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：

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

se=TRUE)

Inter.GPA.3.DF

我们可以看一看每个子类的拟合系数长啥样：

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

level=c("No Tutor", "Group Tutor", "Private Tutor"),

labels=c("No Tutor", "Group Tutor", "Private Tutor"))

Inter.GPA.3.DF$Gender.F

level=c("Male", "Female"),

labels=c("Male", "Female"))

Plot.GPA.3

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

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。