La interpretación de los efectos principales y la interacción

Question

Yo estoy haciendo un simple proyecto de marketing que dispone de los siguientes tipos de variables:

• X1 - continuo (por ejemplo, ingresos)
• X2 categorías (por ejemplo, género)
• Y - continua (por ejemplo, el número de un tipo de producto adquirido, tales como tinas de helado)

Estoy interesado en la relación entre los ingresos (X1) y la compra del producto (Y), pero también el efecto del sexo (X2) en esta relación. (es decir, la interacción o la moderación efecto).

He centrado X1 y han utilizado el modelo lineal general con el programa estadístico SPSS. El resultado en Y es como sigue:

• X1 - significativo
• X2 - no significativo
• X1*X2 - no significativo

¿Cómo debo interpretar este resultado en términos de los efectos principales y la interacción?

Answer 1

Sus resultados sugieren que no hay ninguna interacción--usted simplemente tiene un efecto principal de X1. Usted podría decir algo como, "El número de tinas de helado de compra de la gente está en relación a su ingreso. Por ejemplo, si la persona a la renta es una unidad mayor que la persona B, el ingreso de Una persona normalmente compra $\beta_1$ más de tarrinas de helado de persona B. Nuestros datos sugieren que esta relación entre los ingresos y los helados de compra es similar tanto para hombres como para mujeres."

(Por cierto, si la variable de respuesta es un recuento, usted debe utilizar la regresión de Poisson, más que el modelo lineal general, pero no sé si eso es sólo su ejemplo.)

Answer 2

En general, usted no debe basar su modelo de selección exclusivamente en la significación estadística. Significado sustantivo es más importante.

En este caso particular, se puede graficar los valores de predicción para los machos y las hembras, con el x-eje de ingresos y el eje y el número de artículos comprados, y una línea para cada género.

@gung hace un buen punto que, si el eje de la variable es un recuento, usted debe utilizar un modelo apropiado, tales como la regresión de Poisson, o, más probablemente, de regresión binomial negativa, ya que la sobre-dispersión es muy común en el recuento de regresión.