[欢迎点击关注我们]
对于实证论文调节效应，交乘项系数不显著，且主效应有可能发生反转，这是什么缘故？以及如何应对这种情况？
在实证研究中，我们常常关注的是A对B影响的两者之间因果关系的研究，并可能地对其两者间关系的作用机制进行阐述和论证。当然，这也是一篇实证研究文章的主线和核心。
但是，显然这种教条性的研究思路一眼就就可望穿其中的内容，无法为读者呈现出更为意外的惊喜，从而会导致后续的投稿和审稿困难重重，这也就是为什么很多年轻博士或学者总挂在嘴边说“这个A对B 的影响关系是显然易见的，没有研究价值”。
那对于一个意图发表的研究成果而已，该如何去包装这个A对B 的影响关系呢？以此能达到使论文的阅读性和故事性更强，让读者回味无穷。其中，增加调节效应，引入交乘项，是一篇实证论文最为可靠的方案之一。
但是，对于实证论文调节效应，在引入交乘项时，交乘项系数不显著，或者此时主效应有可能发生反转，这是什么缘故？以及如何应对这种情况？
此时造成上述问题的重要原因可能在于：因为直接生成的交乘项与自变量、调节变量之间存在较强的多重共线性问题，很显然所生成的交乘项中包含了自变量、调节变量的信息。如果在回归分析过程中，直接通过自变量、调节变量来生成交乘项，并纳入多元回归分析中，很可能会产生严重的多重共线性问题。
为此，对于上述这种问题，我们在实证分析中对调节效应进行分析之前，有必要进行相应的处理。首先，在确定好调节变量的前提下，有必要对自变量、调节变量进行中心化处理（对应命令：center x1 x2）；然后，根据中心化处理后的自变量、调节变量，进一步生成交乘项（c_x1*c_x2）；最后，在回归分析时，再将自变量、调节变量中心化处理后的对应变量、生成的交乘项，同时纳入多元线性回归中。一般情况下，经过这种处理后，就不会存在“在引入交乘项时，交乘项系数不显著，或者此时主效应有可能发生反转”的问题。
此外，对于调节效应分析，有个折中的办法：根据调节变量的中位数来分样本，进而根据这种标准进行样本划分，对总样本进行分样本检验，以比较不同样本下自变量的系数差异，从而辅助调节效应的考察。而且，在某种程度上来讲，这种分样本检验与其所对应的调节效应是等价的，但在实际的系数解读过程中，分样本检验的系数解读与调节效应解读是不一样的。
为此，读者如果遇到“在引入交乘项时，交乘项系数不显著，或者此时主效应有可能发生反转”这种实证疑虑，可以考虑是否受到多重共线性问题的，而这种问题是由交乘项生成过程造成的，即可通过中心化来处理。
注：此为经管硕博圈的原创文案。如需转载，请联系开白。
这一点非常关键！在实证设计时，该如何确定A对B影响的分析模型？ 在实证研究中，不同类型“调节效应”的具体解读（每一类型，均附有一篇典型文献导读） 实证分析中主效应显著，但分样本后却出现…… 慎用中介效应模型做经济学机制分析：来自经济学者的呼声 自变量系数是实证分析中的核心！如果系数不显著，后续的操作基本上没意义！回归系数不显著的可能原因有哪些？ 实证研究中最大的软肋在于因果关系的内生性问题！这也是匿审专家专挑的毛病！有六种方法能应对内生性问题（stata代码） 要想在国内顶级期刊有作为，实证研究必须进行“进一步分析”，其开展的思路主要有？ 在诸多权威文献中Heckman两阶段法用法不一样！深入学习及其操作细节注意哪些？ 国内外SSCI\CSSCI期刊论文，交乘项分析无处不在！该如何解读交乘项的回归系数呢？
