marginaleffects

marginaleffects

主要信息来源：https://marginaleffects.com 该网站提供免费书籍、案例研究和示例。

R 和 Python 的软件包手册，以及配套书籍指南。

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

• 作者：Vincent Arel-Bundock（2026）
• 出版商：CRC Press
• 免费在线阅读：https://marginaleffects.com（主要信息来源，包含许多案例研究和示例）
• 纸质版：https://routledge.com/9781032908724

核心框架：每项分析都要回答的五个问题

每项解释任务都可以分解为五个严谨的问题：

1. 数量：目标估计量是什么？（预测、比较、斜率或检验）
2. 预测变量（网格）：在哪里进行评估？（观测值、反事实情景、平衡网格）
3. 聚合：针对哪些对象？（个体层面、使用 by= 计算的组均值、加权平均值）
4. 不确定性：采用哪种推断方法？（Delta 方法、稳健标准误、Bootstrap、贝叶斯方法）
5. 检验：要检验什么假设？（原假设检验、等效性检验、成对对比）

快速开始

章节摘要：阅读 chapters/<chapter>.qmd 函数参考：阅读 man/r/<function>.md 或 man/python/<function>.md

何时使用此技能

• 用户询问预测、比较、斜率或边际效应
• 用户需要帮助选择目标估计量（ATE、ATT、CATE、风险差、优势比）
• 用户询问 marginaleffects 函数的语法或参数
• 用户想要解释模型结果或检验假设
• 用户提及反事实分析、G-computation 或因果推断
• 用户参考《Model to Meaning》的章节

说明

1. 对请求进行分类：

   • 概念问题：目标估计量是什么？如何解释？→ 使用 chapters/
   • 实现问题：函数语法、参数、代码 → 使用 man/r/ 或 man/python/
   • 混合问题：先进行概念说明，再提供代码

2. 阅读相关源文件：

   • 书籍章节：chapters/framework.qmd、chapters/predictions.qmd、chapters/comparisons.qmd、chapters/slopes.qmd、chapters/hypothesis.qmd 等
   • R 参考：man/r/predictions.md、man/r/comparisons.md、man/r/slopes.md、man/r/hypotheses.md、man/r/datagrid.md
   • Python 参考：man/python/predictions.md、man/python/comparisons.md、man/python/slopes.md、man/python/hypotheses.md

3. 运用五问框架来组织回答：

   • 帮助用户定义目标估计量（数量）
   • 明确在哪里进行评估（网格）
   • 确定聚合层级（聚合）
   • 建议如何量化不确定性（不确定性）
   • 如需检验，明确指定假设（检验）

4. 根据用户使用的语言（R 或 Python）提供具体代码示例

可用资源

书籍章节（chapters/）

文件	主题	章节重点
framework.qmd	五问框架（从这里开始）	定义五个问题和核心量（预测、比较、斜率），以便将模型转化为直观的估计目标。
predictions.qmd	预测值与期望结果	定义预测、网格、聚合，以及使用 predictions()/avg_predictions() 进行检验。
comparisons.qmd	反事实比较、ATE、ATT、风险比	定义反事实比较、效应函数、网格，以及使用 comparisons()/avg_comparisons() 进行聚合。
slopes.qmd	边际效应、偏导数	将斜率定义为偏导数，并说明其以预测变量为条件；使用 slopes()/avg_slopes()。
hypothesis.qmd	假设检验与等效性	使用 hypothesis 和 equivalence 参数，对任意量进行零假设检验与等效性检验。
interactions.qmd	交互效应与效应修饰	使用预测、比较和斜率，解读交互项和多项式所体现的异质性与非线性。
categorical.qmd	分类预测变量与对比	将该框架应用于分类/有序结果，按结果水平计算预测和比较。
experiments.qmd	实验设计	通过 avg_comparisons() 和稳健标准误计算实验与析因设计中的 ATE。
gcomputation.qmd	G-计算与因果推断	使用反事实预测网格，介绍计算 ATE/ATT/ATU/CATE 的 G-计算步骤。
uncertainty.qmd	推断方法（delta、bootstrap、贝叶斯）	介绍 Delta 方法、bootstrap、模拟、保形预测，以及通过 inferences()/vcov 计算稳健/聚类标准误。
mrp.qmd	多层回归与后分层	介绍混合效应模型中的多层模型与后分层预测和比较。
ml.qmd	机器学习模型	介绍如何使用预测、比较和斜率审计机器学习框架中的模型。
challenge.qmd	解读挑战	定义分析目标和估计目标，并说明为何需要转换系数。

R 函数参考（man/r/）

核心函数（包括 avg_* 变体）：predictions.md、comparisons.md、slopes.md、hypotheses.md 网格：datagrid.md 绘图：plot_predictions.md、plot_comparisons.md、plot_slopes.md 实用工具：posterior_draws.md、inferences.md、get_dataset.md

Python 函数参考（man/python/）

核心函数：predictions.md、avg_predictions.md、comparisons.md、avg_comparisons.md、slopes.md、avg_slopes.md、hypotheses.md 网格：datagrid.md 绘图：plot_predictions.md、plot_comparisons.md、plot_slopes.md 模型拟合：fit_statsmodels.md、fit_sklearn.md、fit_linearmodels.md

示例

Logit 模型示例

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]})

用户询问如何选择估计目标： → 阅读 chapters/framework.qmd 和 chapters/comparisons.qmd，说明五问框架，并推荐合适的量（例如，用于 ATE 的 avg_comparisons()）。

用户询问如何计算边际效应： → 阅读 man/r/slopes.md 或 man/python/slopes.md，提供包含相关参数的语法。

用户希望检验处理效应异质性： → 阅读 chapters/comparisons.qmd 了解 CATE 概念，然后阅读 man/r/hypotheses.md 了解使用 by= 分组的检验语法。

用户询问反事实网格： → 阅读 chapters/framework.qmd（预测变量部分）和 man/r/datagrid.md，了解 datagrid() 的用法。

最佳实践

• 询问语言偏好：如果用户未指定 R 或 Python，在提供代码示例前询问他们偏好哪一种
• 适用时，始终使用五问框架组织回答
• 引用摘要或手册中的具体章节
• 用户需要示例数据时，提及 get_dataset()
• 对于混合请求，先进行概念说明，再展示实现方式