我有兴趣更好地理解delta方法,以近似包括交互项的回归模型的平均边际效应的标准误差。我已经研究了增量方法下的相关问题,但没有一个提供了我想要的东西。
考虑以下示例数据作为激励示例:
set.seed(1)
x1 <- rnorm(100)
x2 <- rbinom(100,1,.5)
y <- x1 + x2 + x1*x2 + rnorm(100)
m <- lm(y ~ x1*x2)
我感兴趣的平均边际效应(AMES)x1
和x2
。为了计算这些,我只需执行以下操作:
cf <- summary(m)$coef
me_x1 <- cf['x1',1] + cf['x1:x2',1]*x2 # MEs of x1 given x2
me_x2 <- cf['x2',1] + cf['x1:x2',1]*x1 # MEs of x2 given x1
mean(me_x1) # AME of x1
mean(me_x2) # AME of x2
但是,如何使用增量方法计算这些AME的标准误差?
我可以手动计算此特定交互的SE:
v <- vcov(m)
sqrt(v['x1','x1'] + (mean(x2)^2)*v['x1:x2','x1:x2'] + 2*mean(x2)*v['x1','x1:x2'])
但是我不明白如何使用增量方法。
理想情况下,我正在寻找有关如何考虑(和编码)任意回归模型AME的增量方法的一些指导。例如,此问题为特定的交互作用提供了SE的公式,而Matt Golder的本文档为各种交互模型提供了公式,但是我想更好地理解计算AME的SE的一般过程,而不是用于计算SE的公式。任何特定AME的SE。