R语言中有哪些包可以用来计算逻辑回归模型的平均边际效应AME并画图

Question

packageurl <- "https://cran.r-project.org/src/contrib/Archive/ElemStatLearn/ElemStatLearn_2015.6.26.tar.gz"install.packages(packageurl, repos=NULL, type="source")library(ElemStatLearn)library(readxl)data<-read_excel("heart_failure_clinical_records_dataset.xlsx")str(data)datadata$DEATH_EVENT=factor(data$DEATH_EVENT,levels = c("1","0"),labels=c("Have","Don't have"))options(digits = 4)prop.table(table(data$DEATH_EVENT))set.seed(1)train_index=sample(300,200)train=data[train_index,]test=data[-train_index,]str(train)options(digits=4)fit=glm(DEATH_EVENT~.,data=train,family=binomial)summary(fit)(fit$null.deviance-fit$deviance)/fit$null.deviance

Answer 1

引自免费微信小程序：皆我百晓生

在R语言中，有几个包可以用来计算逻辑回归模型的平均边际效应（Average Marginal Effects, AME）并绘制图表。其中，“marginaleffects”和“emmeans”是两个广泛使用的包，它们提供了丰富的功能来计算和可视化AME。

下面是如何使用“marginaleffects”包来计算逻辑回归模型的AME，并绘制其效果的示例代码。首先，确保已经安装了“marginaleffects”包，然后使用以下代码：

# 安装并加载marginaleffects包
if (!requireNamespace("marginaleffects", quietly = TRUE)) {
  install.packages("marginaleffects")
}
library(marginaleffects)

# 假设fit是你的模型
# fit = glm(DEATH_EVENT ~ ., data = train, family = binomial)

# 计算AME
ame_results <- avg_marginal_effects(fit)
print(ame_results)

# 绘制AME
plot_cme <- plot_cme(fit, condition = "age", type = "response")
print(plot_cme)

在上述代码中，avg_marginal_effects()函数用于计算AME，而plot_cme()函数则用于创建条件边际效应图，这里的condition参数指定了要针对哪个变量进行条件分析。

如果你更倾向于使用“emmeans”包，也可以按照类似的方法操作，但主要关注点会放在估计边际均值上，然后通过对比这些均值来间接计算AME。以下是使用“emmeans”包的示例：

# 安装并加载emmeans包
if (!requireNamespace("emmeans", quietly = TRUE)) {
  install.packages("emmeans")
}
library(emmeans)

# 假设fit是你的模型
# fit = glm(DEATH_EVENT ~ ., data = train, family = binomial)

# 使用emtrends计算AME
eme_results <- emtrends(fit, ~ age, var = "age")
print(eme_results)

# 绘制AME
emm_results <- emmeans(fit, specs = ~ age)
plot(emm_results)

这里，emtrends()函数用于计算特定变量的边际趋势，而emmeans()函数用于计算边际均值，之后可以通过plot()函数可视化结果。

以上就是在R语言中使用“marginaleffects”和“emmeans”包计算逻辑回归模型AME并绘图的步骤和代码。根据具体需求选择合适的包进行操作即可。