1702646829
1702646830
1702646831
对于天主教徒，我们有：
1702646832
1702646833
1702646834
1702646835
1702646836
对于犹太教徒，我们有：
1702646837
1702646838
1702646839
1702646840
1702646841
对于其他宗教信仰群体，我们有：
1702646842
1702646843
1702646844
1702646845
1702646846
从方程6.22到方程6.25中可以明显地看出模型2（方程6.17）意味着各宗教信仰群体在截距项上不同，但受教育年限对堕胎接受度的斜率一样。如果模型2是我们选择的模型，那么我们可以得出结论，受教育年限每增加一年，平均而言，会使所有信奉宗教的人在堕胎接受度上提高0.125分，因此，大学毕业生（接受16年教育）会在接受堕胎的理由上平均比信奉同一宗教但只有小学受教育程度的人（接受8年教育）多一个。而且我们期望犹太教徒赞同堕胎的理由应该平均比新教徒多1.3个，天主教徒平均比新教徒低40%。总之，对模型2的系数的解释很直接，且受教育年限和宗教信仰群体成员身份的净影响可以分别加以解释。然而，虽然每个宗教信仰群体系数的大小可以单独解释，但一般而言，评估单一系数的显著性没有意义，因为每个系数表示在控制了所有其他因素后，给定类别的期望值与省略类别的期望值之间的差异。因此，一个显著的t比率仅仅表示该系数显著地不同于省略变量所暗含的为0的系数，而且哪些系数在计算机结果中被显示为显著完全依赖于所选择的省略类别或参照类别。因此，合理的方法是通过对纳入和不纳入某一分类变量的整套虚拟变量的模型计算R2增量并进行F检验，以评估代表某一给定分类变量的所有虚拟变量的显著性（或与之等价，进行Wald检验看整套系数是否都为0）。
1702646847
1702646848
如何检验两个系数之间差异的显著性 可能会有这种情况，即研究者希望评估一个虚拟变量分类中两个具体类别之间差异的显著性。在这种情况下，可以使用下面的公式：
1702646849
1702646850
t=（bi-bj）/（var（bi）+var（bj）-2cov（bibj））1/2
1702646851
1702646852
这里，bi和bj是两个需要比较的系数。多数统计软件包都可以估计系数的方差—协方差矩阵。当然，在当今拥有高速计算机的时代，通过重新定义参照组简单地重新估计模型可能更容易。通过计算Wald检验的bi=bj，Stata提供了一种更加容易的比较系数的方法。
1702646853
1702646854
当包括交互项时，要求会更加严格：不仅要同时估计所有相关系数的显著性，而且所有相关的系数必须同时解释而不能单独解释。如模型3，它包含受教育年限和宗教信仰群体成员身份之间的交互作用项。针对每一宗教信仰群体分别写出方程6.18有助于理解此问题。
1702646855
1702646856
对于新教徒，我们有：
1702646857
1702646858
1702646859
1702646860
1702646861
对于天主教徒，我们有：
1702646862
1702646863
1702646864
1702646865
1702646866
对于基督教徒，我们有：
1702646867
1702646868
1702646869
1702646870
1702646871
对于其他宗教信仰群体，我们有：
1702646872
1702646873
1702646874
1702646875
1702646876
从方程6.26到方程6.29中我们可以再次清楚地看到，方程6.18允许斜率和截距项在组间变动。与虚拟变量有关的系数ci表示参照类别与每个被明确纳入的类别的截距项之差，而与交互作用项有关的系数di表示参照类别与每个被明确纳入的类别之间受教育年限的影响（斜率）之差。
1702646877
1702646878
从方程6.26到方程6.29中我们可以看到，如方程6.18形式的方程，我们没有某一变量（在这里是受教育年限或宗教信仰群体成员身份）影响的总概括，而仅有受教育年限和宗教信仰群体成员身份的每种组合的影响。具体来讲，在表6-3中，模型3（和方程6.23中）的系数0.155不是指受教育年限的总影响，而是指在新教徒中受教育年限的影响；其他的系数依此类推。