通过统计上高效的分类性修饰变量促进异质效应估计

分类协变量（如种族、性别或群体）在回归分析中随处可见。虽然仅主效应（或 ANCOVA）线性模型占主导地位，但包含分类-连续或分类-分类相互作用的分类修饰线性模型日益重要，可允许异质的、群组特定的效应。然而，在标准方法下，分类修饰变量的添加从根本上改变了主效应的估计和解释，常常使其标准误扩大，并引入关于群体（例如种族）偏见的重大问题。我们提出一种替代的参数化和估计方法，采用基于丰富度的约束（ABCs）。ABCs 诱导一种既可解释又公平的参数化。关键的是，我们表明在 ABCs 的情况下，分类修饰变量的添加1）不改变主效应估计，2）增强其统计功效，在合理条件下。因此，分析师可以（且可谈论说应该）在不损害主效应估计、推断和可解释性的前提下，纳入分类修饰变量以发现潜在的异质效应。我们使用模拟数据验证了这些估计和推断的不变性属性，并展示了 ABCs 增加统计功效的能力。我们将这些工具应用于研究北卡罗来纳州儿童社会和环境因素对 STEM 教育成果的异质性。一个 R 软件包 lmabc 可供使用。