我对 R 包的“边距”有疑问。我正在估计一个逻辑模型：
modelo1 <- glm(VD ~ VE12 + VE.cont + VE12:VE.cont + VC1 + VC2 + VC3 + VC4, family="binomial", data=data)
其中：
VD2是二分变量（1 种疾病/0 不是疾病）
VE12是二分暴露变量（值为 0 和 1）
VE.cont连续暴露变量
VCx（其余变量）是混杂变量。
我的目标是获得每个组VD2的值向量的预测疾病概率（ ） ，但通过变量进行调整。换句话说，我想获得组间和组间的剂量反应线，但假设每个剂量反应线的分布相同（即没有混淆）。VE.contVE12VCxVD2VE.contVE12VCx
按照本文的命名法（https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4052139/）我认为我应该做一个可以用stata完成的“边际标准化”（方法1），但我不确定如何使用 R 来做到这一点。我正在使用这种语法（使用 R）：
cdat0 <- cplot(modelo1, x="VE.cont", what="prediction", data = data[data[["VE12"]] == 0,], draw=T, ylim=c(0,0.3))
cdat1 <- cplot(modelo1, x="VE.cont", what="prediction", data = data[data[["VE12"]] == 1,], draw=marg"add", col="blue")
但我不确定我是否做得对，因为这种方法给出的结果与使用没有混淆变量和函数的模型相似predict.glm。
modelo0 <- glm(VD2 ~ VE12 + VE.cont + VE12:VE.cont, family="binomial", data=data)
也许，我应该使用边距选项，但我不理解结果，因为在列VE.cont中获得的值不在概率标度中（0 到 1 之间）。
x <- c(1,2,3,4,5)
margins::margins(modelo1, at=list("VE.cont"=x, "VE12"=c(0,1)), type="response")
