根据 zeroinfl() 模型对象的预测概率计算边际效应答案

【问题标题】：Calculating marginal effects from predicted probabilities of zeroinfl() model object根据 zeroinfl() 模型对象的预测概率计算边际效应
【发布时间】：2020-06-07 00:27:06
【问题描述】：

我之前创建的此图显示了基于两个变量 PIB（在 x 轴上缩放）和 W 的预测发生概率，分别表示为第 75 个和第 25 个百分位数。预测的置信区间显示在两条线旁边。

Probability of Claim Onset

由于我认为 W 和 PIB 对索赔开始有交互影响，我想看看 W 对 PIB 的边际效应是否有任何意义。根据我在此处的阅读 (https://www.sociologicalscience.com/download/vol-6/february/SocSci_v6_81to117.pdf)，仅预测概率的置信区间无法证实这种影响是微不足道的。

我知道您可以通过从预测概率中减去一个来轻松计算边际效应。然而，我不明白如何获得边际效应的置信区间——显然需要确定我的两组概率何时何地确实彼此显着不同。

我用于计算 zeroinfl() 模型对象的预测概率和这些预测概率的置信区间的函数来自在线发布 (https://stat.ethz.ch/pipermail/r-help/2008-December/182806.html)。如果需要，我很乐意提供更多代码，但由于这不是关于错误的问题，我不确定它是否需要。

【问题讨论】：

标签： r marginal-effects

【解决方案1】：

所以，我不完全确定这是正确的答案，但对于任何可能遇到与我相同的问题的人：

假设两条预测线保持相同的方差，您可以在计算之前合并 SE。请参阅 wikipedia for Pooled Variance 进行确认。

SEpooled <- ((pred_1_OR_pred_2$SE * sqrt(simulation_n))^2) * (sqrt((1/simulation_n)+(1/simulation_n)))
low_conf <- (pred_1$PP - pred_2$PP) - (1.96*SEpooled)
high_conf <- (pred_1$PP - pred_2$PP) + (1.96*SEpooled)

##Add this to the plot
lines(pred_1$x_val, low_conf, lty=2)
lines(pred_1$x_val, high_conf, lty=2)

【讨论】：