marginaleffects

marginaleffects

主な情報源：https://marginaleffects.com 無料の書籍、事例研究、ビネットをこちらで利用できます。

R と Python のパッケージマニュアル、および付属書籍のガイドです。

書籍：Model to Meaning: How to Interpret Statistical Models in R and Python

• 著者：Vincent Arel-Bundock（2026）
• 出版社：CRC Press
• オンライン版（無料）：https://marginaleffects.com（多くの事例研究やビネットを掲載する主な情報源）
• 印刷版：https://routledge.com/9781032908724

コアフレームワーク：あらゆる分析で考えるべき5つの問い

あらゆる解釈のタスクは、次の5つの体系的な問いに分解できます。

1. 量：どの推定対象を扱いますか？（予測、比較、傾き、検定）
2. 予測子（グリッド）：どの値で評価しますか？（観測値、反実仮想シナリオ、均衡グリッド）
3. 集計：誰を対象に集計しますか？（単位レベル、by=によるグループ平均、加重平均）
4. 不確実性：どの推論方法を使いますか？（デルタ法、ロバスト標準誤差、ブートストラップ、ベイズ法）
5. 検定：どの仮説を検証しますか？（帰無仮説の検定、同等性、ペアごとの対比）

クイックスタート

章の概要：chapters/<chapter>.qmdを読んでください 関数リファレンス：man/r/<function>.mdまたはman/python/<function>.mdを読んでください

このスキルを使う場面

• ユーザーが予測、比較、傾き、または限界効果について尋ねている
• ユーザーが推定対象（ATE、ATT、CATE、リスク差、オッズ比）の選択についてサポートを必要としている
• ユーザーがmarginaleffectsの関数の構文や引数について尋ねている
• ユーザーがモデル結果の解釈や仮説検定を希望している
• ユーザーが反実仮想分析、G計算、または因果推論に言及している
• ユーザーが『Model to Meaning』の章を参照している

手順

1. 依頼を分類します：

   • 概念的な依頼：どの推定対象を選ぶか？どう解釈するか？→ chapters/を使います
   • 実装に関する依頼：関数の構文、引数、コード→ man/r/またはman/python/を使います
   • 複合的な依頼：まず概念的な枠組みを示し、その後コードを提示します

2. 関連するソースファイルを読みます：

   • 書籍の章：chapters/framework.qmd、chapters/predictions.qmd、chapters/comparisons.qmd、chapters/slopes.qmd、chapters/hypothesis.qmdなど
   • R リファレンス：man/r/predictions.md、man/r/comparisons.md、man/r/slopes.md、man/r/hypotheses.md、man/r/datagrid.md
   • Python リファレンス：man/python/predictions.md、man/python/comparisons.md、man/python/slopes.md、man/python/hypotheses.md

3. 5つの問いのフレームワークを適用して回答を構成します：

   • ユーザーが推定対象（量）を定義できるよう支援します
   • どこで評価するか（グリッド）を明確にします
   • 集計レベルを決定します
   • 不確実性の定量化方法を推奨します
   • 検定を行う場合は、仮説を明示します

4. ユーザーの言語（R または Python）に合った関数を使って、具体的なコード例を提示します

利用可能なリソース

書籍の章（chapters/）

ファイル	トピック	章の焦点
framework.qmd	5つの質問フレームワーク（ここから開始）	モデルを直感的な推定対象に変えるための5つの質問と中核となる量（予測、比較、傾き）を定義します。
predictions.qmd	予測値と期待される結果	predictions()/avg_predictions() を用いた予測、グリッド、集約、検定を定義します。
comparisons.qmd	反事実的な比較、ATE、ATT、リスク比	comparisons()/avg_comparisons() を用いた反事実的な比較、効果関数、グリッド、集約を定義します。
slopes.qmd	限界効果、偏微分	予測子に条件付けた偏微分としての傾きを定義します。slopes()/avg_slopes() を使用します。
hypothesis.qmd	仮説検定と同等性	hypothesis 引数と equivalence 引数を用いた、あらゆる量に対する帰無仮説検定と同等性検定。
interactions.qmd	交互作用効果と効果修飾	予測、比較、傾きを用いて、交互作用と多項式による異質性と非線形性を解釈します。
categorical.qmd	カテゴリカル予測子と対比	予測と結果レベルごとの比較を用いて、カテゴリカル/順序尺度の結果にフレームワークを適用します。
experiments.qmd	実験計画	avg_comparisons() とロバスト標準誤差を用いた、実験および要因計画における ATE。
gcomputation.qmd	G-computation と因果推論	反事実的な予測グリッドを用いた ATE/ATT/ATU/CATE のための G-computation の手順。
uncertainty.qmd	推論手法（デルタ、ブートストラップ、ベイズ）	inferences()/vcov を用いた、デルタ法、ブートストラップ、シミュレーション、共形予測、ロバスト/クラスタ標準誤差。
mrp.qmd	マルチレベル回帰と事後層別化	混合効果における予測と比較を用いた、マルチレベルモデルと事後層別化。
ml.qmd	機械学習モデル	ML フレームワークに対する予測、比較、傾きを用いたモデル監査。
challenge.qmd	解釈の課題	分析目標、推定対象、および係数を変換する必要がある理由を定義します。

R 関数リファレンス（man/r/）

中核関数（avg_* 系を含む）: predictions.md、comparisons.md、slopes.md、hypotheses.md グリッド: datagrid.md プロット: plot_predictions.md、plot_comparisons.md、plot_slopes.md ユーティリティ: posterior_draws.md、inferences.md、get_dataset.md

Python 関数リファレンス（man/python/）

中核: predictions.md、avg_predictions.md、comparisons.md、avg_comparisons.md、slopes.md、avg_slopes.md、hypotheses.md グリッド: datagrid.md プロット: plot_predictions.md、plot_comparisons.md、plot_slopes.md モデル適合: fit_statsmodels.md、fit_sklearn.md、fit_linearmodels.md

例

ロジットモデルの例

R:

library(marginaleffects)

# Fit logistic regression
mod <- glm(am ~ hp + wt, data = mtcars, family = binomial)

# Average marginal effects (slopes on probability scale)
avg_slopes(mod)

# Predicted probabilities at specific values
predictions(mod, newdata = datagrid(hp = c(100, 150, 200), wt = 3))

# Average treatment effect: compare hp = 150 vs hp = 100
avg_comparisons(mod, variables = list(hp = c(100, 150)))

# Risk ratio for a 50-unit increase in hp
avg_comparisons(mod, variables = list(hp = 50), comparison = "ratio")

Python:

import marginaleffects as me
import statsmodels.formula.api as smf

# Fit logistic regression
mod = smf.logit("am ~ hp + wt", data=me.get_dataset("mtcars")).fit()

# Average marginal effects
me.avg_slopes(mod)

# Predicted probabilities at specific values
me.predictions(mod, newdata=me.datagrid(mod, hp=[100, 150, 200], wt=3))

# Average treatment effect: compare hp = 150 vs hp = 100
me.avg_comparisons(mod, variables={"hp": [100, 150]})

ユーザーが推定対象の選択について質問した場合: → chapters/framework.qmd と chapters/comparisons.qmd を読み、5つの質問フレームワークを説明し、適切な量（例: ATE には avg_comparisons()）を推奨します。

ユーザーが限界効果の計算方法を質問した場合: → man/r/slopes.md または man/python/slopes.md を読み、関連する引数を伴う構文を提供します。

ユーザーが処置効果の異質性を検定したい場合: → CATE の概念については chapters/comparisons.qmd を、by= グループを用いた検定の構文については man/r/hypotheses.md を読みます。

ユーザーが反事実的なグリッドについて質問した場合: → chapters/framework.qmd（Predictors セクション）と、datagrid() の使用法については man/r/datagrid.md を読みます。

ベストプラクティス

• 言語の好みを尋ねる: ユーザーが R または Python を指定していない場合は、コード例を提供する前にどちらを好むかを尋ねてください
• 適切な場合は常に、5つの質問フレームワークを用いて回答を組み立ててください
• 要約やマニュアルから特定のセクションを引用してください
• ユーザーがサンプルデータを必要とする場合は get_dataset() に言及してください
• 複合的なリクエストの場合は、まず概念的な枠組みから始めて、その後実装を示してください