1

我有以下困境：

我明白边际效应是什么，它的计算，sigmoid函数的推导以及如何解释它（作为通过“一点点”增加你感兴趣的变量来改变概率，这个一点点是1对于离散变量或通过std(x)/1000对于连续 )。现在，我觉得棘手的部分是手动证实边际效应的结果，并重新计算 x=0 和 x=1 的概率（例如），然后得到一个等于边际效应的概率差我来得更早，我特别受虚拟变量的困扰，因为如果我增加一个，我必须减少另一个，所以我不太确定如何解决它并解释它。（这个问题也适用于高度相关的变量）

为了更清楚，假设我有以下数据集：

#Python 

[1. , 0. , 0. , 4.6, 3.1, 1.5, 0.2],
[1. , 0. , 1. , 5. , 3.6, 1.4, 0.2],
[1. , 1. , 0. , 5.4, 3.9, 1.7, 0.4],
[1. , 0. , 1. , 4.6, 3.4, 1.4, 0.3],
[1. , 1. , 0. , 5. , 3.4, 1.5, 0.2],
[1. , 0. , 0. , 4.4, 2.9, 1.4, 0.2],
[1. , 0. , 1. , 4.9, 3.1, 1.5, 0.1],
[1. , 1. , 0. , 5.4, 3.7, 1.5, 0.2],
...

Var_0 = 截距是多少。

Var_1, var_2 = 一个热编码变量（2/3 虚拟变量），一个被丢弃以避免共线性。

Var 3+ = 正态连续变量

系数：

[ 7.56986405,  0.75703164,  0.27158741, -0.37447474, -2.79926022, 1.43890492, -2.95286947]

罗吉特

[-3.34739217,
 -2.27001103, 
-1.49517926, 
-0.77178644, 
-0.808111, 
-2.48474722, 
-1.76183804, 
-0.90621541
...]

概率

[0.03398066, 
0.09363728, 
0.18314562,
0.31609279, 
0.30829318,
0.0769344 , 
0.14656029, 
0.28777491,
...]

边际效应=p*(1-p) * B_j

现在假设我对 var_1（其中一个假人）的边际效应感兴趣，我会简单地做： p*(1-p) * 0.7570

这将导致一个长度为n （# of obs）的数组具有不同的边际效应（这很好，因为我知道这些效应是非常数和非线性的）。假设这个数组来自[0.0008 to 0.0495]

现在的问题是，你如何验证这个结果？0当虚拟对象从 values变为时，我如何衡量边际效应1？

你可能会争辩说我可以做两件事MEM和AME方法：

  1. MEM：保留所有值的平均值，然后重新计算 var_1 = 0 和 var_1 = 1（MEM 方法）

    （你不能真正做到这一点，因为你会假设你可以有一些观察结果，其中 var_1 和 var_2 将同时等于 1，这是不正确的，因为假人的平均值就像多少的比例“ 1s" 用于该列)

  2. AME：保持观察状态，但将 var_1 的所有值更改为 0（使 var_2 的所有值 = 1），然后执行相反的操作（var_1 = 1，var_2 =0，你必须这样做，因为它不能属于同时到两个类别），然后取结果的平均值（AME方法）(Side comment:One thing I am not sure if it is the average between the difference in marginal effects when var_1 = 0 and then 1, or if it is an average between the probabilities when var_1 =0 and then 1, I used both, but probability I think it makes more sense to me)

现在，如果我尝试第二种方法，我得到的结果与我最初得到的结果非常不同（它们是介于 之间的值[0.0008 to 0.0495]），它给了我介于 之间的值[0.0022 to 0.1207]，这是一个巨大的差异。

总结一下：

  1. 如何进行数学确证以获得我最初得到的相同值（[0.0008 to 0.0495]）

  2. 我如何首先解释这些原始值？因为如果我采取0.0495，我基本上是在说，如果我将 var_1 增加 1 个单位（从 0 到 1），我的事件发生概率将增加 4.95%，问题是它不认为增加 1 个单位默认情况下，我需要减少另一个虚拟变量 (var_2)，因此我将同时对变量进行双重更改或类似双重边际效应。

4

0 回答 0