随机森林怎么包含变量的交互作用

交互作用是指在一定条件下两个或多个变量之间相互作用的现象。简单来说，就是当两个或多个变量同时出现时，它们的作用会互相影响，从而产生新的结果，这种相互作用可以是正的，也可以是负的，其至是复杂的。

两个调节变量共同影响因变量在自变量上的回归。交互作用指两个或多个因素（比如A因素和B因素）对于某项（比如身高）的影响时，A因素和B因素各个水平之间是否存在着相互作用关系，三个变量的交互项即两个调节变量共同影响因变量在自变量上的回归。变量来源于数学，是计算机语言中能储存计算结果或能表示值的抽象概念。

你把具体的数据拿出来看看，这些就是看经验。这样说，相关系数的计算公式你仔细看看，它计算的是线性相关性，跟独立性没有太大关系，如果是普通的经济类数据，0.26完全可以接受，因为经济波动比较大，也许还有其他影响因子，你没有找到，或者说，这两到三个因子应该分解合并成另外几个，就是用主成分分析解决多重共线性。但如果你回归的是生物类，也就是医学上的，我建议小心一些，这对最终结果影响比较大，实在不行就放弃一个。解决办法的话，没有什么直接的，因为你要变了这些变量，解释方法都会有很大变动。实在不行就是刚才说的，用主成分分析，把几个变量变换一下，变成同样数目（或者更少）的变量，这样他们之间的相关度就低了，基本上是独立的了。不过这样的话，容易让新的变量具体含义不清楚，仅仅是理论过关。

询问交互小程序中，可以用变量增加动态生成问题、提高交互体验、加强数据处理。1、动态生成问题：通过变量控制程序在不同情况下提问不同的问题，增加程序的灵活性和适应性。2、提高交互体验：使用变量可以根据用户输入的实时数据，动态更新程序的回答，使回答更加个性化和针对性，提高用户体验。3、加强数据处理：在程序运行过程中，使用变量可以方便地进行数据存储和处理，提高数据的可读性和可靠性。

可以是连续变量。交互项通常表现的是交叉效应信息，交互项从无到有，主要项的符号和显著性或多或少会有改变。而且一般而言，构建交互项是为了检验是否存在交互效应，构造交互项的变量本身的显著性没有特别的意义。变量是分地区分行业，而新变量是仅分地区的，系数正负号影响并不确定，但这样的数据结构可能需要考虑分层效应，如分层线性模型。

没办法直接赋值 只能传递一个命令过去 在下位机创建一个可修改变量列表 每个变量做一个编号或者是取一个名字然后上位机传命令过去 比如setvalue这样的格式下位机接收到指令后 修改对应的变量值

不一定，中心化处理只不过是为了方便解释而已，并不影响各项回归系数。（南心网 调节效应中心化处理）

看你理论上怎么解释如果这个变量需要留着那你就可以不用理共线性如果无关紧要的话一方面需要考虑模型设置的合理性问题，另一方面需要运用计量软件进行校正调试

交互项 – 一般需要经过标准化处理（减均值，除方差）。好处可以使预测方差减小，同时使不同变量在同样的尺度下产生交集。其经济含义为并集的额外解释能力

应该要加入的。如果模型中有交互项，那么构成交互项的两个变量也要出现在模型中，比如交互项为a×b，那么模型里也一定要有a和b。但是在阅读一些国内期刊的时候，发现很多文章在使用交互项时都没有遵守这个原则，都是直接加入一个交互项就进行回归。当控制两变量的交互项时，最好同时分别控制两变量。如果只控制交互项中的一个变量而忽略另一个，那么某些限制性条件就被强加到模型身上——除非这些限制性条件成立，否则模型设定就是有误的。

变量a和b均不存在主效应但两个变量之间存在交互作用的图画法如下：1、确定两个变量的取值范围，并分别标在x轴和y轴上。2、对于每个变量，选择至少两个水平进行比较。例如，对于变量a，可以选择水平1和水平2进行比较。对于变量b，也可以选择水平1和水平2进行比较。将每个水平的表现分别标在x轴和y轴上。3、根据交互作用的定义，我们需要比较两个变量在不同条件下的表现。因此，需要在图上画出两条线，每条线代表一个变量在不同条件下的表现。例如，可以用实线代表变量a在水平1的条件下的表现，用虚线代表变量a在水平2的条件下的表现。同样，可以用实线代表变量b在水平1的条件下的表现，用虚线代表变量b在水平2的条件下的表现。4、在图上标出交互作用。如果两条线不平行，即它们的斜率不同，那么就存在交互作用。可以用箭头或其他方式标出交互作用的方向和程度。

不存在关系。根据查询相关公开信息显示，交互项和控制变量在实验设计和数据分析中是不同的概念，它们的存在和作用是不同的。交互项是指两个或多个自变量相乘形成的项，用于描述不同自变量之间的相互作用。在实验设计和数据分析中，交互项可以帮助了解不同自变量之间的关系以及它们对因变量的影响是否存在交互作用。控制变量则是指在实验设计和数据分析中，需要控制的其他变量，以确保所关注的自变量和因变量之间的关系是真实存在的。

Canoe和vTESTstudio是两个不同的软件工具，各自使用的系统变量也有所不同。但在某些情况下，可以通过一些方法使它们之间进行交互。以下是可能的交互方式：1. 使用环境变量：您可以定义一个环境变量，并在Canoe和vTESTstudio中使用它。例如，您可以定义一个名为"MY_VAR"的环境变量，并将其设置为您需要的值。然后，在Canoe或vTESTstudio中，可以通过"$ENV::MY_VAR"引用该变量。2. 使用接口文件：Canoe和vTESTstudio都支持使用接口文件来定义系统变量。在Canoe中，您可以使用"CasInterface.txt"文件，而在vTESTstudio中，您可以使用"SystemVariables.ini"文件。您可以在这些文件中定义需要共享的系统变量，然后在另一个工具中使用时将其导入。3. 使用插件：如果您需要更强大的交互功能，可以考虑编写一个插件来实现Canoe和vTESTstudio之间的数据交换。插件可以允许两个工具之间共享变量、发送命令、接收通知等操作。需要注意的是，这些方法都需要对Canoe和vTESTstudio的具体实现有一定的了解。如果您遇到问题，建议查阅相关文档或咨询官方支持人员。

交互作用即当影响行为的一个因子与另一个因子共同起作用时，它们对该行为产生与各自单独作用时截然不同的影响。例如：A对C有作用，B对C有作用，当A与B联合（A*B）时，对C产生协同或拮抗作用，这种作用称为交互作用。如果A与B对C不产生这作用，则不存在交互作用。当一个回归模型中有多于2个自变量时，变量间就可能存在“交互作用”。这时，如果单纯考虑某个研究变量的作用是没有意义的。此时可建立包含自变量及某些乘积项的回归模型，通过检验其统计学意义来判断交互作用是否存在。

可以使用多元线性回归分析。只要把那个自变量当成一个属性变量来处理做回归分析即可。比如，当性别是一个需要考虑的因素的时候，可以设一个变量 s，s=1时代表男性，s=0时代表女性。又比如，当需要考虑样本个体的学历的时候，可以设一个变量 x，x=1时代表有本科文凭，x=0时没有。这种时候，x的回归拟合系数还是有实际意义的，表示学历的贡献度。

Logistic回归主要分为三类，一种是因变量为二分类得logistic回归，这种回归叫做二项logistic回归，一种是因变量为无序多分类得logistic回归，比如倾向于选择哪种产品，这种回归叫做多项logistic回归。还有一种是因变量为有序多分类的logistic回...

不可以。根据查询相关公开信息显示，在SmartPLS中，交互项是不可以作为被解释变量存在的，也不可以作为其他“非目标变量”的解释变量存在，这就导致有调节的中介不能在统计模型图中构建，因此交互项不可以是解释变量乘被解释变量。

交互作用指的就是两个自变量的成绩对因变量的作用，所以说工龄*工资级别代表交互效应，是否显著看sig，可以看到sig<0.001，所以说交互作用显著，也就是存在交互作用。

纳入交互项就可以了，用gen命令

交互作用对实验结果的影响是增强和减弱都有可能，也可能没有影响。所谓交互作用，就是变量A对于结果的影响在变量B出现变化是也会出现变化。也就是说，可能在变量B较小时变量A与结果成正相关，而变量B较大时变量A与结果成负相关，这样画出来的图自然会是交叉的。这就叫交互作用。交互作用交互作用（interaction）是指一个因素各个水平之间反应量的差异随其他因素的不同水平而发生变化的现象。它的存在说明同时研究的若干因素的效应非独立。交互作用的效应可度量一个因素不同水平的效应变化依赖于另一个或几个因素的水平的程度。当交互作用存在时，单纯研究某个因素的作用没有意义，必须分别探讨另一个因素不同水平上该因素的作用模式。若所有实验设计的单元格内都只有一个影响因素时，则无法衡量自变量之间的交互作用。交互作用研究方法当存在交互作用时，单纯研究某个因素的作用是没有意义的，必须分另一个因素的不同水平研究该因素的作用大小。如果所有单元格内都至多有一个元素，则交互作用无法测量，只能不予考虑，最典型的例子就是配伍设计的方差分析。实验设计方法中交互作用表示当两种或几种因素水平同时作用时的效果较单一水平因素作用的效果加强或者减弱的作用。交互作用是研究中必须考虑的因素。正交试验设计中，有专门的列指标表达交互作用。

需要。将自变量和调节变量中心化之后用中心化的值相乘得到一个新的变量（即交互项的乘积）然后再放入回归。

对于三个变量间的交互作用，在回答中没有显示可能有以下原因：1. 回答中只给出了主要的两个变量和它们之间的关系，没有考虑第三个变量的影响。这时候需要进行拓展，说明第三个变量对于前两个变量之间的关系有何影响。2. 数据分析方法中，三个变量间的交互作用很难直接探究，需要通过其他方式进行分析，如引入中介变量或者进行多元回归分析等。3. 实际情况中，三个变量间的交互作用很复杂，可能存在非线性关系或者其他复杂的模式，难以通过简单的回答来说明。综上所述，三个变量间的交互作用不一定能够通过简单的回答来直接说明，需要针对具体情况进行分析和解释。

可以用spss。可以通过SPSS中的多元方差分析（MANOVA）或方差分析(ANOVA)来探索和测试分类变量之间的交互作用。

需要的。以Y＝a0+a1*X+a2*Z+a3*XZ——（模型1）为例，一般在做交互项的时候，进入模型的数据都是经过去中心化的，即X、Z、XZ都是经过去中心化的。

这实际上是出于简单的数学考虑：因为让一个变量等于0，我们就可以消除交互项，然后单独地分析另一个变量的效应，这种思路特别方便，大家不妨在自己的研究中使用。说完1和β2，那β3怎么解读呢?严格而言，:才是真正交互项的系数，才是做交互研究最关注的部分。

问题解决了吗，我也遇到了同样的问题

可以。比如说，某个表示年龄的变量体现出了明显的阶段性（队列特性），那么，就说明把年龄变量重新编码为队列--分组是个可以尝试的选项。这样，可以检验年龄组作为分类变量的群体性影响。另外还有一个就是cross-table交互列联表的分组情况，这样可以考虑设置交互项，例如不同出生队列受教育程度的均值肯定是不同的，考虑一个比较粗略的分组：50后，60后，70后，80后，90后等等。在进入劳动力市场之后，这些人都会有不同的收入表现，这些表现也就是群体异质性的体现。很有意思，有时间的话，可以拿命令来操作一下。

通过那个 block 功能来做，你先把主要研究的自变量B 移到自变量对话框，然后点击一下 block的 next 就切换到下一层，然后再把A变量移入自变量对话框中，这样就是控制A的情况下，单独研究B对C的影响关系

测验的敏感性作用。前测和实验变量的交互作用效应，也就是测验的敏感性作用，如；前测与实验处理发生作用，并导致结果不能推广到未经前测的群体中去。

（A）假设自变量X1和因变量Y存在正相关，则：（1）如果交互项（X1*X2）前的回归系数d是正数，则是增强型或正向调节；（2）如果交互项（X1*X2）前的回归系数d是负数，则是干扰型或负向调节；（B）假设自变量X1和因变量Y存在负相关，则：（1）如果交互项（X1*X2）前的回归系数d是正数，则是干扰型或负向调节；（2）如果交互项（X1*X2）前的回归系数d是负数，则是增强型或正向调节；

不需要。交互项中心化控制变量不需要中心化。中心化的意思，是中心决定节点。节点必须依赖中心，节点离开了中心就无法生存。

在交互设计中，调节变量是哑的函数。调节变量是哑的，那么它就不可能交互。

public class Pratice1 { private double a; private double b; private double c; private double[] d; public String[] i; public void setValue(double a, double b, double c) { this.a = a; this.b = b; this.c = c; this.d = new double[2]; this.i = new String[2]; } public boolean canGetValue() { double temp; temp = b * b - 4 * a * c; if (temp < 0) { this.i[0] = (-b) / (a * 2) + "+" + Math.sqrt(-temp) / (2 * a) + "i"; this.i[1] = (-b) / (a * 2) + "-" + Math.sqrt(-temp) / (2 * a) + "i"; return false; } else { this.d[0] = (-b + Math.sqrt(temp)) / (2 * a); this.d[1] = (-b - Math.sqrt(temp)) / (2 * a); return true; } } /** * @param args */ public double getA() { return a; } public double getB() { return b; } public double getC() { return c; } public double getD(int i) { return d[i]; } public static void main(String[] args) { // TODO Auto-generated method stub Pratice1 pratice1 = new Pratice1(); pratice1.setValue(1, 3, 4); if (pratice1.canGetValue()) { System.out.println(pratice1.getA()); System.out.println(pratice1.getB()); System.out.println(pratice1.getC()); System.out.println(pratice1.getD(0)); System.out.println(pratice1.getD(1)); } else { System.out.println(pratice1.i[0]); System.out.println(pratice1.i[1]); } }}

变量之间的相关关系是一种非确定性的关系,如果所有样本的数据点都分布在一条直线附近,那么它们之间就是一种线性相关关系,否则不是线性相关关系。如果散点图中点的分布从整体上看大致在一条直线附近，我们就称这两个变量之间具有线性相关关系，这条直线叫做回归直线；最小二乘法：使得样本数据的点到回归直线的距离的平方和最小的方法叫做最小二乘法。

假如用SAS做得话，两因素有交互作用，只需在model中将这两个因素用“*”相连即可。

通常我们在回归分析中需要用到两个自变量之间的交互项来检验两个变量之间的交互效应，那么这个交互项是从哪里来的呢？其实就是两个变量的乘积，具体方式是：打开数据，在菜单栏上执行：转换--计算变量打开计算变量的对话框，我们设置目标变量名称，你随便起一个英文的名字，然后设置这个变量的标签，为了以后处理数据方便，你一定要添加一个自己看得懂的标签，点击继续。然后在这里输入两个变量相乘的公式，如图所示就是变量P1Q01和P1Q02的乘积点击ok就可以运行程序，得到一个新的变量，也就是交互项用syntax的话更简单，下面的代码可以实现同样的效果。

这需要进行位操作,必较麻烦的, 在学习程序语言和进行程序设计的时候，交换两个变量的值是经常要使用的。通常我们的做法是（尤其是在学习阶段）：定义一个新的变量，借助它完成交换。代码如下： int a,b; a=10; b=15; int t; t=a; a=b; b=t; 这种算法易于理解，特别适合帮助初学者了解计算机程序的特点，是赋值语句的经典应用。在实际软件开发当中，此算法简单明了，不会产生歧义，便于程序员之间的交流，一般情况下碰到交换变量值的问题，都应采用此算法（以下称为标准算法）。 上面的算法最大的缺点就是需要借助一个临时变量。那么不借助临时变量可以实现交换吗？答案是肯定的！这里我们可以用三种算法来实现：1）算术运算；2）指针地址操作；3）位运算。 1） 算术运算 简单来说，就是通过普通的+和-运算来实现。代码如下： int a,b; a=10;b=12; a=b-a; //a=2;b=12 b=b-a; //a=2;b=10 a=b+a; //a=10;b=10 通过以上运算，a和b中的值就进行了交换。表面上看起来很简单，但是不容易想到，尤其是在习惯标准算法之后。 它的原理是：把a、b看做数轴上的点，围绕两点间的距离来进行计算。 具体过程：第一句“a=b-a”求出ab两点的距离，并且将其保存在a中；第二句“b=b-a”求出a到原点的距离（b到原点的距离与ab两点距离之差），并且将其保存在b中；第三句“a=b+a”求出b到原点的距离（a到原点距离与ab两点距离之和），并且将其保存在a中。完成交换。 此算法与标准算法相比，多了三个计算的过程，但是没有借助临时变量。（以下称为算术算法） 2） 指针地址操作 因为对地址的操作实际上进行的是整数运算，比如：两个地址相减得到一个整数，表示两个变量在内存中的储存位置隔了多少个字节；地址和一个整数相加即“a+10”表示以a为基地址的在a后10个a类数据单元的地址。所以理论上可以通过和算术算法类似的运算来完成地址的交换，从而达到交换变量的目的。即： int *a,*b; //假设 *a=new int(10); *b=new int(20); //&a=0x00001000h,&b=0x00001200h a=(int*)(b-a); //&a=0x00000200h,&b=0x00001200h b=(int*)(b-a); //&a=0x00000200h,&b=0x00001000h a=(int*)(b+int(a)); //&a=0x00001200h,&b=0x00001000h 通过以上运算a、b的地址真的已经完成了交换，且a指向了原先b指向的值，b指向原先a指向的值了吗？上面的代码可以通过编译，但是执行结果却令人匪夷所思！原因何在？ 首先必须了解，操作系统把内存分为几个区域：系统代码/数据区、应用程序代码/数据区、堆栈区、全局数据区等等。在编译源程序时，常量、全局变量等都放入全局数据区，局部变量、动态变量则放入堆栈区。这样当算法执行到“a=(int*)(b-a)”时，a的值并不是0x00000200h，而是要加上变量a所在内存区的基地址，实际的结果是：0x008f0200h，其中0x008f即为基地址，0200即为a在该内存区的位移。它是由编译器自动添加的。因此导致以后的地址计算均不正确，使得a,b指向所在区的其他内存单元。再次，地址运算不能出现负数，即当a的地址大于b的地址时，b-a<0，系统自动采用补码的形式表示负的位移，由此会产生错误，导致与前面同样的结果。 有办法解决吗？当然！以下是改进的算法： if(a<b) { a=(int*)(b-a); b=(int*)(b-(int(a)&0x0000ffff)); a=(int*)(b+(int(a)&0x0000ffff)); } else { b=(int*)(a-b); a=(int*)(a-(int(b)&0x0000ffff)); b=(int*)(a+(int(b)&0x0000ffff)); } 算法做的最大改进就是采用位运算中的与运算“int(a)&0x0000ffff”，因为地址中高16位为段地址，后16位为位移地址，将它和0x0000ffff进行与运算后，段地址被屏蔽，只保留位移地址。这样就原始算法吻合，从而得到正确的结果。 此算法同样没有使用第三变量就完成了值的交换，与算术算法比较它显得不好理解，但是它有它的优点即在交换很大的数据类型时，它的执行速度比算术算法快。因为它交换的时地址，而变量值在内存中是没有移动过的。（以下称为地址算法） 3） 位运算 通过异或运算也能实现变量的交换，这也许是最为神奇的，请看以下代码： int a=10,b=12; //a=1010^b=1100; a=a^b; //a=0110^b=1100; b=a^b; //a=0110^b=1010; a=a^b; //a=1100=12;b=1010; 此算法能够实现是由异或运算的特点决定的，通过异或运算能够使数据中的某些位翻转，其他位不变。这就意味着任意一个数与任意一个给定的值连续异或两次，值不变。 即：a^b^b=a。将a=a^b代入b=a^b则得b=a^b^b=a;同理可以得到a=b^a^a=b;轻松完成交换。 以上三个算法均实现了不借助其他变量来完成两个变量值的交换，相比较而言算术算法和位算法计算量相当，地址算法中计算较复杂，却可以很轻松的实现大类型（比如自定义的类或结构）的交换，而前两种只能进行整形数据的交换（理论上重载“^”运算符，也可以实现任意结构的交换）。 介绍这三种算法并不是要应用到实践当中，而是为了探讨技术，展示程序设计的魅力。从中可以看出，数学中的小技巧对程序设计而言具有相当的影响力，运用得当会有意想不到的神奇效果。而从实际的软件开发看，标准算法无疑是最好的，能够解决任意类型的交换问题。

用.txt去把result传回去这样应该是ok的..我之前的做法是善用bat的功能例如:我要做ping这个动作, 再用delphi看ping是否成功function ping(pingTarget : string) : boolean;var BATRun : TStringList; ResultText : TStringList;begin BATRun := TStringList.Create; BATRun.add("ping pingTarget > result.txt"); BATRun.add("copy NUL flag"); BATRun.SaveToFile("run.bat"); WinExec("run.bat", 0); repeat sleep(100); until FileExists("flag"); ResultText := TStringList.create; ResultText.LoadFromFile("result.txt"); result := true; DeleteFile("flag"); DeleteFile("run.bat"); DeleteFile("result.txt");end;这样写的话就可以把在cmd执行的ping结果放进一个StringList里面了

调节效应交互项是中心化后的变量不相乘。根据查询相关信息显示交互作用是指存在两个自变量时，自变量A对于因变量的影响在另一个自变量B出现变化时也会出现变化。在交互作用中，两个自变量的地位是对称，变量A和B都可以被称为调节变量。但是在调节效应中，自变量和调节变量定位明确，两者不可互换。因此，可以将调节效应作为交互效应的特例。

Logistic回归主要分为三类，一种是因变量为二分类得logistic回归，这种回归叫做二项logistic回归，一种是因变量为无序多分类得logistic回归，比如倾向于选择哪种产品，这种回归叫做多项logistic回归。

列联分析无法处理变量间的交互效应是不对。列联分析通常用来分析两个分类变量之间或者一个分类变量与顺序变量之间是否存在关联，关联的紧密程度如何也是根据两个定类变量的取值进行交互分类形成二维表来分析变量间是否相关的一种方法。

比如，当性别是一个需要考虑的因素的时候，可以设一个变量 s，s=1时代表男性，s=0时代表女性。又比如，当需要考虑样本个体的学历的时候，可以设一个变量 x，x=1时代表有本科文凭，x=0时没有。这种时候，x的回归拟合系数还是有实际意义的，表示学历的贡献度。

可以做不同年龄的工作的满意程度的差异可以做不同受教育程度的工作的满意程度的差异如果你要做多元的分析，可以把年龄拆开，某一人年龄段，不同受教育程度的工作的满意程度的差异，减小α(要看你的比较有多少对数据)，各年龄段的差异是否相同

可用协方差来检验两个变量直接的关系。

交互作用：当一个因素的水平在另一个因素的不同水平上变化不一致时，就称这两个因素存在交互作用。选择：没有采取随机化的方式选择和分组被试。如果“选择”作为一个自变量，那我们不妨设他有两个水平：1.智力高的天才。2.智力一般般的。成熟：被试身心发展的状况。那我们也不妨选两个水平：1..小学生 2.成年人因变量：做一份小学生的试卷（只是打个比方）采用2*2完全随机设计那么聪明的小学生自然要比智力一般般的小学生分数要高，但是聪明的中年人未必就比智力一般般的中年人成绩要高，也许还要低也说不定（因为这些题目成年人都会，而且聪明的中年人会想：不会那么简单吧，会聪明反被聪明误）。智力一般般的小学生的成绩会比智力一般般的成年人要低，但是聪明的小学生和聪明的成年人的成绩差不多。这是选择和成熟的交互作用

1.单独效应：其他水平固定，同一因素不同水平间的差别（单独由某一因素产生的效应，比如单独由CBT导致抑郁改善的多少，时间固定在1周）。2.主效应：一个自变量的主效应显著，意味着该自变量的各个水平在其它自变量的所有水平上的平均数存在差异，比如，在自变量A和自变量B构成的2×2析因设计中，如果A的主效应显著，那就意味着A1在B1和B2水平下的平均数与A2在B1和B2水平下的平均数存在显著性差异。3.交互效应：单独效应随另一因素变化（CBT在第一周产生的和第二周产生的这种抑郁改善量是否相等，如果相等，则无交互作用，两条线也是平行的，反之则有交互，两条线相交，因为其各时间点上的改变量不同，线的斜率也变化了）。交互效应，则是反映两个或两个以上自变量相互依赖、相互制约，共同对因变量的变化发生影响。换句话说，如果一个自变量对因变量的影响效应会因另一个自变量的水平不同而有所不同，则我们说这两个变量之间具有交互效应。

不用，直接设置x2*x3就行

可以。双变量列联分析主要用于计数和汇总两个分类变量的数据，可以通过它可以使两个变量交叉分类的频数、比例等一目了然，从而为进一步分析做准备。

recode into different variables根据一个旧的变量转变成一个新的变量Old and New Values设置某一段成为一个值，另一段成为另一个值

不用重新拍，如果有交互，要在交互的不同水平下分析