Python逻辑回归中race_w:yearsexp的含义及添加原因咨询

问题背景 #

我在大学定量方法课程作业中，复刻一篇研究劳动力市场歧视的知名论文（该论文证实白人发音姓名者获得面试回调的概率高于非裔美国人发音姓名者），正在开展Logistic回归分析：

• 因变量(Y)：callbacks（是否获得面试回调）
• 自变量：种族(race_w，虚拟变量，白人发音姓名为1，非裔为0)、过往工作数量、性别、工作年限(yearsexp)等

已完成单变量回归：

log_odds_call = smf.logit("call ~ race_w", data = df2_cat).fit()

但对老师提供的多变量回归代码中的交互项部分存在疑问：

log_ods_call_yearsexp_interaction = smf.logit('call ~ race_w + yearsexp + race_w:yearsexp', data = df2_cat).fit()

疑问解答 #

1. race_w:yearsexp中的冒号代表什么？ #

在Statsmodels的公式语法里，冒号(:)表示两个变量的交互项，用来衡量race_w对call的影响是否会随着yearsexp的变化而改变。

具体来说，这个交互项会生成一个新变量：race_w * yearsexp（由于race_w是0/1虚拟变量，新变量的值在race_w=1时等于yearsexp，race_w=0时等于0）。

2. 为什么要添加这个交互项？ #

你们复刻的论文核心是研究劳动力市场的种族歧视，加入交互项是为了验证一个关键假设：工作年限带来的“优势”是否在不同种族间存在差异。

• 比如，是否白人的工作年限每增加1年，获得回调的概率提升幅度比非裔美国人更大？
• 或者是否非裔美国人的工作年限增长对回调概率的影响几乎可以忽略，而白人能明显受益？
  这个交互项能帮你量化这种“种族差异随工作年限变化”的效应，让回归模型更贴合现实的歧视机制，而非简单假设种族和工作年限的影响完全独立。

3. 已经加入了yearsexp，为什么还要加race_w:yearsexp？ #

单独加入yearsexp时，模型假设工作年限对回调概率的影响在所有种族中是一致的（也就是“主效应”，无论你是白人还是非裔，每多一年工作经验，回调概率的变化幅度相同）。
但现实中，种族歧视可能会让这种效应存在差异——这正是交互项要捕捉的“调节效应”：race_w会调节yearsexp对call的影响强度（甚至方向）。

如果只加race_w + yearsexp，模型是“加法模型”，两个变量的效应独立叠加；而加入race_w:yearsexp后，模型变成“乘法模型”，允许种族和工作年限的效应相互作用，能更精准地刻画现实中的劳动力市场歧视模式。

内容的提问来源于stack exchange，提问作者tkjaer