正文

揭秘主效应与交互效应：计算方法及实战案例

/0 浏览量
0308

在心理学、市场营销、社会科学等领域，主效应与交互效应是研究变量之间关系时常用的概念。主效应指的是一个自变量对因变量的单独影响，而交互效应则是指两个或多个自变量对因变量的共同影响。以下将详细介绍主效应与交互效应的计算方法，并通过实战案例进行说明。

一、主效应的计算方法

1. 描述性统计

首先，我们需要对数据进行描述性统计，包括计算均值、标准差、最大值、最小值等。这些统计量可以帮助我们初步了解数据的基本特征。

import pandas as pd

# 示例数据
data = {
    'A': [1, 2, 3, 4, 5],
    'B': [5, 4, 3, 2, 1],
    'Y': [2, 4, 6, 8, 10]
}

df = pd.DataFrame(data)

# 描述性统计
print(df.describe())

2. 相关性分析

接下来，我们可以使用相关系数来衡量自变量与因变量之间的线性关系。常用的相关系数有皮尔逊相关系数（Pearson）和斯皮尔曼相关系数（Spearman）。

from scipy.stats import pearsonr, spearmanr

# 计算皮尔逊相关系数
pearson_corr, _ = pearsonr(df['A'], df['Y'])
print(f'Pearson correlation coefficient between A and Y: {pearson_corr}')

# 计算斯皮尔曼相关系数
spearman_corr, _ = spearmanr(df['A'], df['Y'])
print(f'Spearman correlation coefficient between A and Y: {spearman_corr}')

3. 回归分析

回归分析是研究自变量对因变量影响的重要方法。线性回归是最常用的回归分析方法。

from sklearn.linear_model import LinearRegression

# 创建线性回归模型
model = LinearRegression()
model.fit(df[['A']], df['Y'])

# 输出回归系数
print(f'Coefficient of A: {model.coef_}')

二、交互效应的计算方法

1. 交互项

在回归分析中，我们可以通过添加交互项来研究交互效应。交互项是指将两个或多个自变量相乘得到的新的自变量。

# 创建交互项
df['A*B'] = df['A'] * df['B']

# 创建线性回归模型，包含交互项
model = LinearRegression()
model.fit(df[['A', 'B', 'A*B']], df['Y'])

# 输出回归系数
print(f'Coefficient of A: {model.coef_}')
print(f'Coefficient of B: {model.coef_}')
print(f'Coefficient of A*B: {model.coef_}')

2. 非参数检验

除了回归分析，我们还可以使用非参数检验方法来研究交互效应。例如，可以使用曼-惠特尼U检验（Mann-Whitney U test）来比较两个独立样本的中位数。

from scipy.stats import mannwhitneyu

# 使用曼-惠特尼U检验比较两个独立样本的中位数
u_stat, p_value = mannwhitneyu(df[df['A'] == 1]['Y'], df[df['A'] == 2]['Y'])
print(f'Mann-Whitney U statistic: {u_stat}, p-value: {p_value}')

三、实战案例

以下是一个关于消费者购买意愿的实战案例，我们将研究消费者年龄（A）和收入水平（B）对购买意愿（Y）的影响。

1. 数据收集

假设我们收集了100位消费者的年龄、收入水平和购买意愿数据。

# 示例数据
data = {
    'A': [25, 30, 35, 40, 45, 50, 55, 60, 65, 70],
    'B': [3000, 4000, 5000, 6000, 7000, 8000, 9000, 10000, 11000, 12000],
    'Y': [2, 4, 6, 8, 10, 12, 14, 16, 18, 20]
}

df = pd.DataFrame(data)

2. 主效应分析

通过描述性统计和相关性分析，我们可以发现年龄和收入水平与购买意愿之间存在一定的关系。

# 描述性统计
print(df.describe())

# 相关性分析
pearson_corr, _ = pearsonr(df['A'], df['Y'])
print(f'Pearson correlation coefficient between A and Y: {pearson_corr}')

pearson_corr, _ = pearsonr(df['B'], df['Y'])
print(f'Pearson correlation coefficient between B and Y: {pearson_corr}')

3. 交互效应分析

通过添加交互项，我们可以研究年龄和收入水平对购买意愿的交互效应。

# 创建交互项
df['A*B'] = df['A'] * df['B']

# 创建线性回归模型，包含交互项
model = LinearRegression()
model.fit(df[['A', 'B', 'A*B']], df['Y'])

# 输出回归系数
print(f'Coefficient of A: {model.coef_}')
print(f'Coefficient of B: {model.coef_}')
print(f'Coefficient of A*B: {model.coef_}')

通过以上分析，我们可以得出以下结论：

  • 年龄和收入水平对购买意愿有显著的主效应。
  • 年龄和收入水平之间存在显著的交互效应，即年龄和收入水平的组合对购买意愿有额外的影响。

总结：本文介绍了主效应与交互效应的计算方法，并通过实战案例进行了说明。在实际应用中，我们需要根据具体问题选择合适的方法来研究变量之间的关系。

-- 展开阅读全文 --