问题标签 [marginal-effects]

在 R 中更改 margins-package 中的类型参数时，我有一个关于不同输出的问题。这是一个可重现的示例：

两个摘要在水平和重要性上都产生了不同的输出。所以我的问题是，为什么两种类型的 p 值不同？这是各自的输出：

这是包的手册：

https://cran.r-project.org/web/packages/margins/vignettes/Introduction.html#Average_Marginal_Effects_and_Average_Partial_Effects

他们解释说“响应”类型返回部分效应，即每个变量对结果量表的贡献，以线性预测变量的链接函数转换中涉及的其他变量为条件，并且“链接”类型返回真正的边际效应，即每个变量在线性预测器尺度上的边际贡献。那么，如果只是尺度变换，为什么两种类型之间的显着性水平会发生变化呢？我想我不太了解真正的边际效应和部分效应之间的区别。任何帮助，将不胜感激。谢谢！

我在 R 中的双变量概率模型中寻找边际效应。对于单变量情况，通过

model <- glm(formula, family=binomal(link="probit"))

很清楚如何获得它们：只需采取

margins(model)

但现在我有一个用 gjrm 包估计的模型。我的示例如下所示：

我现在想从这个模型中提取边际效应。margins() 不再起作用。此外，我尝试以一种可以使用边距的方式拆分输出，但我失败了。如果有人有办法计算我的案例的边际效应，我将不胜感激！

我正在等待bife（二进制固定效果）包得到支持，ggeffects但与此同时，我想知道如何复制 ggeffects 的功能，并且（非常第二）想了解我是否应该使用平均预测效应 (APE) 或预测概率。

在正常情况下，我会运行 aglm然后使用ggeffects.

你应该得到这张表：

这个输出，其中 Petal.Length 是数据集中 (8) 个值的范围，并且所有其他模型预测变量都保持在它们的平均值，生成并且可以通过管道传输到plot()( ggeffects::ggeffect(testglm, terms = "Petal.Length")%>% plot()) 或到ggplot2()。

然而，这一次，我的模型（显然不是 iris 项目，这是一个示例数据集）需要 FE。所以，我的问题是，我如何像glmggeffects一样“从 logit 模型的预测变量中计算所有可能级别和值的预测值”？bife

我可以获得平均预测效果，它可以使用APEsIris <- summary(get_APEs(fetest)). 这当然会产生 Petal.Length 的单一平均值，而不是 8。我可以用 se 和 CI 计算数据帧，但它不是等价的（单一估计）

那么预测呢？

predictedbifes<-predict.bife(fetest)在数据集中产生 150 个预测，即观察数。即使我将它们绘制成图表，我也不明白我将如何操纵预测以随着 Petal.Length 的观察值而变化，并将所有其他预测变量保持在平均值。

简而言之，我怎样才能重现ggeffects计算以产生一个边际效应表，我可以用它来绘制这个固定效应 logit 模型中的不同变量？

我正在使用 GJRM 在 R 中做一个双变量概率模型。接下来，我想使用逐步模型选择并计算边际效应。对于多项概率模型，我使用了 stepAIC 和 bootStepAIC。是否有类似的东西可用于双变量概率模型？

这是运行单个固定效果方法的三种不同方法，它们给出或多或少相同的结果（见下文）。我的主要问题是如何使用第二个模型（model_plm）或第三个模型（model_felm）获得预测概率或平均边际效应。我知道如何使用第一个模型model_lm（ggeffects

由于我有超过一百万个人，我的模型只能使用model_plmand model_felm。如果我使用model_lm，因为他们在模型中受到控制，所以需要花费大量时间来运行一百万个人。我还收到以下错误：Error: vector memory exhausted (limit reached?). 我检查了 StackOverflow 上的许多线程以解决该错误，但似乎没有任何解决方法。

我想知道是否有一种有效的方法来解决这个问题。我的主要兴趣是提取交互的预测概率residence*union。我通常使用以下软件包之一提取预测概率或平均边际效应ggeffects：emmeans或margins.

我使用 lme4::lmer() 计算了线性混合效应模型，对我使用mice 包进行乘法估算的数据进行了计算。在这些 lmer 对象上，我想应用 ggeffects::ggeffect() 来获得边际效应，然后我可以绘制平均值、+1sd 和 -1sd。

pool_predictions函数似乎非常适合，并且对 lm 对象做得很好；但是，对于 lmer 对象，ggeffect() 函数不起作用。ggpredict() 出于某种原因有效，但我想获得边际效应，而不是条件效应。

这是我改编自 pool_predictions() 参考的最小可重现示例（混合模型没有意义，只是为了创建一个示例）：

有谁知道为什么会发生这种情况或有任何提示如何为我的 lmer 对象获得汇集的边际效应？

非常感谢！

安杰

我有一个长格式的数据集，其中包含在 19 名患者中进行的 60 次重复测量 ( ID)。患者进行了不同数量的测量（2 次测量 [n=11]，然后是 5 次测量 [n=5]、3 次 [n=1]、4 次 [n=1] 和 6 次测量 [n=1]，具有不同的时间间隔（fu_time以年为单位）。数据如下所示：

目的是评估结果进展的风险因素。由于偏斜，结果已进行自然对数转换。我用相应的指数固定效应指定的线性混合模型：

因此，年龄、高血压和总胆固醇与结果随时间的变化有关，因为它们与fu_time. 我的下一步是绘制例如高血压的边际效应，最好使用 ggemmeans/sjplot。

然而，我坚持如何实现这一目标。我已经阅读了关于 ggeffects 的小插曲、ggeffects和 ggemmeans之间的区别，以及在 sjplot 中绘制交互效果。

我已经尝试了几件事。

(1) Running ggemmeans(ris, type="random", terms="fu_time:age")，它给出的错误是模型中没有具有该名称的术语。

(2) 跑步plot_model(ris, type = "int")。这会为协变量产生罐子，但这有两个问题：首先，这些图在对数尺度上，而我希望它们在反变换/指数尺度上，还有两个我不确定这些是否是实际的与 fu_time 的交互项。

最好我想使用 ggemmeans 制作我自己的/一个新的数据集（因此将连续变量保持在它们的平均值，将分类变量保持在它们观察到的样本比例），这样我就可以对变量进行计算，然后自己制作图。

我有超过 5000 万个观测值的样本。我在 R 中估计以下模型：

根据 model1 的估计，我计算边际效应：

这行代码还计算了每一个减慢 R 的固定效应的边际效应。我只需要计算变量 1、2 和 3 的平均边际效应。如果我单独计算边际效应，使用 mfx2 <- margineffects (model1, variables = "variable1") 那么它不显示标准误差和平均边际效应的 p 值。

这个问题有什么解决办法吗？

我使用 mlgit 包估计了 R 中的嵌套 logit。但是，我在尝试估计边际效应时遇到了一些问题。下面是我实现的代码。

我的数据是长格式的，其中 expendmaint 和 expendnegy 是唯一的替代特定变量，而其他所有变量都是特定于大小写的。

altern4 是代表每个备选方案的名义变量

我有一个包含 10000 个项目条目的数据集，这些项目参与了财政支持的拍卖。在该拍卖中，低于某个临界点的所有出价都会获得支持。

数据包括投标、投标到临界点的距离、获得的支持 (0,1) 以及项目是否最终实现 (0,1)。

这就是我的数据的样子

这是切割点处结果不连续性的可视化

我现在想用回归不连续方法测量切点处的治疗效果。我试图用逻辑回归来做到这一点。

这是我对逻辑回归的方法

从那里我不知道该怎么办。我是否测量优势比或边际效应来测量切点处不连续性的大小？

谢谢大家！