【摘要】：在回归模型中加入交互项是一种非常常见的处理方式。用模型表达即为：其中，x1 x2即为“交互项”。如果证实模型为包含交互项的非线性模型，则简单模型将遗漏此交互项，从而导致“遗漏变量偏差”：其中，剩余项β3 x1 x2＋u必然与解释变量x1、x2相关，导致内生性。因此，在线性回归中加入交互项，可有助于缓解遗漏变量偏差。
在实际研究中，x1对y的影响可能取决于x2或者x3或者两者兼而有之，这种情况在统计学中被称为“交互效应”（Leona S.A，et al.，1991），交互效应是指一个因素各个水平之间反应量的差异随其他因素的不同水平而发生变化的现象。它的存在说明同时研究的若干因素的效应非独立。在回归模型中加入交互项是一种非常常见的处理方式。它可以极大地拓展回归模型对变量之间的依赖的解释。交互作用的效应可度量一个因素不同水平的效应变化依赖于另一个或几个因素的水平的程度。它的测试方式是将两个预测变量相乘的项放入模型中。用模型表达即为：
其中，x1 x2即为“交互项”。如果证实模型为包含交互项的非线性模型，则简单模型将遗漏此交互项，从而导致“遗漏变量偏差”（omitted variable bias）：(www.xing528.com)
其中，剩余项β3 x1 x2＋u必然与解释变量x1、x2相关，导致内生性。因此，在线性回归中加入交互项，可有助于缓解遗漏变量偏差。不过在做交互效应前，需要考虑几个问题。第一，思考为什么要加交互效应，需要依据先前的文献和研究目的。第二，清楚为什么加交互项后，主效应变得不显著的原因。第三，虽然我们常以为变量显著为好，但有时变量不显著也有其好处，重要的是符不符合实际和研究认识，需要从专业角度解释。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
