扩展一下@ken-butler 的答案。通过将连续变量（小时）和特殊值的指示变量（小时 = 0，或非母乳喂养）相加，您认为“非特殊”值存在线性效应，而在特殊值的预测结果。它有助于（至少对我而言）查看图表。在下面的示例中，我们将小时工资建模为受访者（所有女性）每周工作小时数的函数，我们认为“标准”每周 40 小时有一些特别之处：

生成此图的代码（在 Stata 中）可以在这里找到：http: //www.stata.com/statalist/archive/2013-03/msg00088.html

因此，在这种情况下，我们为连续变量分配了一个值 40，即使我们希望将其与其他值区别对待。同样，即使您认为它与其他值在质量上有所不同，您也会将母乳喂养周数设为 0。我在下面解释您的评论，您认为这是一个问题。情况并非如此，您不需要添加交互项。实际上，如果您尝试过，由于完美的共线性，该交互项将被删除。这不是限制，它只是告诉您交互条款不会添加任何新信息。

假设您的回归方程如下所示：

$$\hat{y} = \beta_1 weeks\_breastfeeding + \beta_2 non\_breastfeeding + \cdots$$

其中是母乳喂养的周数（包括不母乳喂养的值为 0），而是指示变量，当有人不母乳喂养时为 1，否则为 0。$weeks\_breastfeeding$$non\_breastfeeding$

想一想当有人母乳喂养时会发生什么。回归方程简化为：

$$\hat{y} = \beta_1 weeks\_breastfeeding + \beta_2 0 + \cdots \\ = \beta_1 weeks\_breastfeeding + \cdots$$

所以只是母乳喂养周数的线性效应。$\beta_1$

考虑当有人不母乳喂养时发生了什么：

$$\hat{y} = \beta_1 0 + \beta_2 1 + \cdots \\ = \beta_2 + \cdots$$

所以给了你不母乳喂养的效果，并且母乳喂养的周数从等式中下降。$\beta_2$

您可以看到添加交互项没有用，因为该交互项已经（隐式地）在其中。

有一些奇怪的地方，因为它通过比较那些不进行母乳喂养但只进行 0 周的母乳喂养的人的预期结果来衡量母乳喂养的效果......这在“比较”中是有道理的like with like”之类的方式，但实际用处并不是很明显。将“非母乳喂养者”与母乳喂养 12 周（约 3 个月）的女性进行比较可能更有意义。在这种情况下，您只需为“非母乳喂养者”指定 12的值。因此，您为“非母乳喂养者”分配给$\beta_2$$weeks\_breastfeeding$$weeks\_breastfeeding$$\beta_2$从某种意义上说，它决定了“非母乳喂养者”与谁进行比较。这实际上不是一个问题，而是非常有用的东西。

一些简单的事情：用 1/0 指标表示您的变量，表示任何/无，以及实际值。将两者都放入回归中。

如果您为任何时间花费（=1）与无时间花费（=0）放置一个二进制指标，然后将花费的时间量作为连续变量，“0”次的不同效果将是“由 0-1 指标拾取”

您可以使用基于 0 时间与非零时间的分组的混合效应模型，并保留您的自变量