问题标签 [marginal-effects]

I want to compute marginal effects for a "mlogit" object where explanatory variables is categorical (factors). While with numerical data effects() throws something, with categorical data it won't.

For simplicity I show a bivariate example below.

numeric variables

factor variables

While glm() still throws something,

the mlogit() approach

throws this error:

How could I solve this?

I already tried to manipulate effects.mlogit() with this answer but it didn't help to solve my problem.

Note: This question is related to this solution, which I want to apply to categorical explanatory variables.

edit

(To demonstrate the issue when applying the given solution to an underlying problem related to a question linked above. See comments.)

data

我试图从一个模型（用 lme4 完成）绘制边际效应plot_model()

模型（同一模型的 2 个版本）看起来像

版本 1：

版本 2：

在这两个版本中，连续预测变量 X 和 Z 使用scale()函数进行缩放，但在版本 1 中，它在创建模型 m1 之前完成，并作为单独的列（Xs 和 Zs）保存在 中dataframe=dat，而在版本 2 中，它在模型中指定平方米

我现在的问题是如果我按原样绘制 m1

没有重新调整 x 轴的绘图

我想绘制 X 的边际效应，但不是 x 轴上 X 的缩放值，我想拥有我尝试过的原始值

myfun被定义为scale()

绘制一个

b地块

所以，这给了我两个不同的情节。由于情节 b 看起来类似于 m1 的情节而没有重新调整 x 轴，所以我会说情节 b 是正确的情节。但我不明白 term="..." 中的 "[myfun]" 是如何工作的以及它的作用。谢谢你的帮助！

我在 R 中运行概率回归。该模型混合了一些连续变量和分类变量（编码为因子）。我想计算每个变量的边际效应。为此，我使用 margins 包中的命令margins，该命令返回 AME 并识别因子并显示它们每个级别的边际效应。因此，在计算边际效应时如何处理分类变量？如果连续变量保持其平均值（默认情况下），这些分类变量是如何固定的？

我希望这个问题足够清楚，这更像是一个理论问题。

我正在使用 R 计算以下模型的线性回归，并在特定点 (20,30,40,50,55) 找到年龄对披萨的边际影响。

我遇到的问题是在使用 margins 命令时，R 看不到使用I((age x age) x income)插入到 lm 中的交互项。仅当交互项采用variable1 x variable1的形式时，margins 命令才会产生准确的平均边际效应。我也无法在表table$newvariable <- table$variable1^2中创建新变量，因为边距命令不会将newvariable标识为与variable1相关。

到目前为止，这一直很好，我的交互项只是二次或 xy 交互，但现在我需要使用模型中包含的交互项AGE^2xINCOME计算平均边际效应，但我似乎可以使汇总 lm 输出正确的唯一方法是使用 I(age^2*(income)) 或在我的表中创建一个新变量。如前所述，margins 命令无法读取 I(age^2*(income))，如果我创建一个新变量，margins 命令无法识别变量是相关的，并且产生的平均边际效应不正确.

我收到的错误：

我提前感谢任何帮助。

数据总结： Pizza 是每年在 Pizza 上的支出，female，hs，college 和 grad 是虚拟变量，年收入是千美元，年龄是岁。

使用的库：

tldr

这有效：

mod6.22 <- lm(pizza ~ 年龄 + 收入 + 年龄 * 收入，数据 = piz4)

这不起作用：

mod6.22c <- lm(pizza ~ age + income + age*income + I((age * age)*income), data = piz4)

如何获得利润来读取我的交互变量 I((age*age)*income)？

我对 R 包的“边距”有疑问。我正在估计一个逻辑模型：

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）：

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。

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）。

这是我想获得的图形示例：

我正在尝试测试两个边际效应之间的差异。我可以让 R 来计算效果，但我找不到任何资源来解释如何测试它们的差异。

我查看了边距文档和其他边际效果包，但无法找到可以测试差异的东西。

我想进行一个测试来确定每一行 marg 中的边际效应是否显着不同；即，边际效应图中的斜率不同。这似乎是正确的，因为置信区间不重叠——表明位移的影响对于 am=0 和 am=1 是不同的。

我们在下面的评论中讨论我们可以使用 emmeans 测试对比，但这是对 am=0 和 am=1 的平均响应的测试。

这里 p 值很大，表明当 am=0 时的平均响应与 am=1 时的平均响应没有显着差异。

这样做是否合理（例如测试两种方法的差异）？

该 p 值似乎与非重叠置信区间的分析一致。

我对如何绘制多重交互的作业有疑问，如果有人能提供帮助，我将不胜感激。我知道这是一个热门话题，但我还没有看到解决我的具体问题的问题。我希望不是重复

我有一个具有 3 个解释变量和两个交互作用的模型。两个变量是连续的，一个是虚拟变量。我想将三种交互的边际效应绘制成一张图像。模型是这样的

y = a+ b_1c1 + b_2c2 + b_3d + b_4c1c2 + b_5c1d

总之，我有一个连续变量（c1），它与另一个连续变量（c2）和虚拟变量（d）相互作用。下面的代码使用 MASS 包中的数据来提供可重现的示例。

我创建了我的模型

我想将Horsepoweron的估计影响绘制price为EngineSizefor =0（否）的函数，并将on的Man.trans.avail相同条件效应绘制为 for =1（是）的函数。可能将它们放在同一个情节中。HorsepowerpriceEngineSizeMan.trans.avail

使用该interplot函数，我可以将条件Horsepower视为pricethe 的函数，EngineSize但无需控制Man.trans.avail

结果绘制了 和 的边际效应线Horsepower，EngineSize但是，无法为不同的值绘制两条线，Man.trans.avail我想知道您是否对如何在类似情况下绘制边际效应有一些想法。

非常感谢您的回复

我试图从一个交互式术语中提取边际效应，该术语捕获治疗 X（X 编码为 1 或 0）对结果 Y（Y 编码为 -10 到 10）的影响，由变量 A 调节（A 编码在 0 到 10 之间）。但是，我不确定如何从 A 的最高和最低度量的交互项中提取边际效应

总的来说，我设法使用 interplot 函数生成边际效应图：

此外，我尝试使用 ggpredict 在不同的 A 水平上提取具有 90% 置信区间的边际效应：

但是，使用 ggpredict 产生的边际系数与我在 m 的摘要中看到的不一致，并且与边际效应图不一致。相反，我得到的估计显然不准确或不精确。如何提取插值图中看到的边际效应？

我试图在泊松回归中绘制特定变量的边际效应，然后将该图形与其相应的发生率比率相关联。

我的大部分情节都实现了这一点。然而，对于其中一个，发病率比率表示我感兴趣的变量的总体正相关，并且该图显示了明显的负相关。根据我的理解，这应该有问题。

你可以帮帮我吗 ？:) 我可能在我的分析中理解了一些错误......

我首先创建泊松模型：

我从中得到以下内部收益率

然后我绘制模型（x1）中第一个变量的边际效应，得到以下图：

x1 与 y 泊松回归图（负相关）

这清楚地表明 x1 和 y 之间存在明显的负相关

先感谢您 ！！

（我正在使用mfx包来计算 IRR 和sjPlot::plot_model用于绘图）

我probit在不同的数据集上运行了五次相同的回归。

如何在同一张图上绘制每个回归的边际效应曲线，以便以简单的方式比较它们？

以下是我尝试过的代码：

这段代码的问题是，我获得的图表不是每个专业角色都有一条曲线，并且 x 轴上有年份虚拟变量，而是每个虚拟年份有一条线。