如何在Stata的oprobit模型中加入交互变量并解读其效应？

一、添加height5与性别的交互项 #

在你的oprobit命令末尾直接加入交互项即可，Stata有两种便捷写法：

• 用#（Stata 11+版本支持，推荐）：

  oprobit earncat height5 BMI age i.sex i.mrd i.cworker i.race height5#i.sex
  

• 或者用*（效果完全一致）：

  oprobit earncat height5 BMI age i.sex i.mrd i.cworker i.race height5*i.sex
  

如果习惯先生成交互变量再拟合模型，也可以这么操作：

gen height5_sex = height5 * sex
oprobit earncat height5 BMI age i.sex i.mrd i.cworker i.race height5_sex

注：i.sex是将性别作为分类变量处理，交互项会自动捕捉不同性别组中height5对收入类别的差异效应。

二、交互项的解读（关键看边际效应） #

有序probit的系数本身难以直接解读为概率变化，必须用margins命令计算边际效应，才能得到你想要的“概率提升幅度”：

1. 先拟合带交互项的模型（用上面任意一种写法即可）
2. 计算不同性别下，height5每增加1单位（即身高增加5英寸）对最高收入类别的边际效应：

   margins, dydx(height5) at(sex=(0 1)) predict(outcome(#))
   

   把命令里的#替换成你数据中最高收入类别的编号（比如最高收入是第4类，就写predict(outcome(4))）。
3. 结果判断：
   如果男性（假设sex=1代表男性）对应的dydx(height5)数值大于女性（sex=0），且通过显著性检验（p值<0.05），就能直接得出**“男性身高每增加5英寸，进入最高收入类别的概率提升幅度大于女性”**的结论。

三、拓展：添加其他交互项（比如身高与职业） #

逻辑完全一致，假设职业变量是分类变量occ，直接在命令中加入交互项：

oprobit earncat height5 BMI age i.sex i.mrd i.cworker i.race height5#i.sex height5#i.occ

之后同样用margins命令，计算不同职业分组下height5的边际效应，对比即可看出身高与收入的关系是否因职业而异。

内容的提问来源于stack exchange，提问作者econstu123