如何提取茱莉亚面板数据后的平均边际效应(或预测值)？
我正在使用这个有用的软件包https://github.com/FixedEffects/FixedEffectModels.jl在朱莉娅，这有助于运行固定效果模型。
不过，我有一个问题，我不知道如何在使用该包之后提取交互变量的平均边际效应或预测值。例如，下面的两行显示了如何提取Stata中的平均边际效应。
xtreg chronic_illness age country_birth social_class#macro_unemployment, fe
margins crisis, dydx(social_class)下面是如何在R：如何使用R计算面板数据中个体固定效应的预测概率(或平均边际效应)？中提取它们
朱莉娅身上有类似的版本吗？
这是我在茱莉亚的模型：
m= reg(df1, @formula(chronic_illness ~ status+ age + social_class*crisis + fe(id) + fe(year) + fe(country)), contrasts=contr,save=true)慢性疾病是一个二元变量(0=没有慢性病)，危机是一个二元变量(0=没有金融危机)。这样做的目的是看看在没有危机的情况下，社会阶层在慢性病上的得分与有危机时的差异有多大。这里的模型只是向我展示了交互效应，但我对基线值感兴趣。
这是输出：
Fixed Effect Model
========================================================================================================
Number of obs: 1468882 Degrees of freedom: 459252
R2: 0.703 R2 Adjusted: 0.567
F-Stat: 62.8378 p-value: 0.000
R2 within: 0.001 Iterations: 18
========================================================================================================
cillness | Estimate Std.Error t value Pr(>|t|) Lower 95% Upper 95%
-------------------------------------------------------------------------------------------------------
status: Unemployed | 0.0145335 0.00157535 9.22556 0.000 0.0114459 0.0176212
status: missing | -0.00702545 0.0136504 -0.51467 0.607 -0.0337797 0.0197288
age | 0.00178437 2.79058 0.000639427 0.999 -5.46766 5.47123
class: Lower-middle class | 0.00458331 250.251 1.83149e-5 1.000 -490.478 490.487
class: Working class | 0.0286466 163.324 0.000175398 1.000 -320.081 320.138
crisis | -0.00600744 0.00156138 -3.84753 0.000 -0.00906768 -0.00294719
class: Lower-middle class & crisis | -0.00189866 0.00192896 -0.984289 0.325 -0.00567936 0.00188205
class: Working class & crisis | -0.00332881 0.00170221 -1.95558 0.051 -0.0066651 7.46994e-6回答 1
Stack Overflow用户
发布于 2022-07-15 09:55:05
我不知道朱莉娅中emmeans的确切匹配，但您可能对Effects.jl包感兴趣。从医生那里：
回归模型是有用的，但它们很难解释。变中心编码和对比编码可以模糊主要影响的含义。相互作用的术语，尤其是高阶的，只会增加解释的难度。在这里，我们引入了Effects.jl，它将包含估计不确定性在内的拟合模型转换回数据空间。使用Effects.jl，可以生成能够快速可视化和解释回归模型的效果图。
顺便说一句，您的模型中似乎有二进制响应，因此您可能不应该适合lienar模型，而应该适合您的数据，以便您可以将系数解释为概率/日志概率的变化，例如logit或probit模型。(请注意，在FixedEffectsModels中不支持这些数据，如果数据不是太大或GLFixedEffectModels，则必须回到GLM.jl上。)
https://stackoverflow.com/questions/72990931
复制相似问题
腾讯云开发者
