Как интерпретировать коэффициент при взаимодействии между двумя фиктивными переменными

Используя логистическую регрессию, я пытаюсь смоделировать предельное влияние того, что я женщина и зарабатываю ниже порога бедности (обе бинарные переменные), на прогнозирование вероятности развития гипертонии. Я создал термин взаимодействия (бедность_FEMALE), чтобы попытаться смоделировать это, но не уверен, верна ли моя интерпретация коэффициентов.

Можно ли сказать, что:

  • предельный эффект от пребывания ниже порога и мужчины составляет: 0,067 - 0,055
  • предельный эффект того, что она женщина и не находится в бедности, составляет: 0,041 - 0,055
  • предельный эффект того, что она женщина и находится в бедности, составляет -055?

Если так, то почему имеет смысл, что бедняки и женщины подвергаются меньшему риску, если коэффициенты этих двух переменных сами по себе являются положительными значениями?

pov_FEMALE=(df$BELOW_100_POVERTY*(df$FEMALE))

Marginal Effects:
                       dF/dx  Std. Err.       z     P>|z|    
BELOW_100_POVERTY  0.0670417  0.0243266  2.7559 0.0058531 **  
FEMALE             0.0410705  0.0172280  2.3839 0.0171283 *  
pov_FEMALE        -0.0553485  0.0160284 -3.4531 0.0005541 ***

r analysis regression coefficients marginal-effects
person juliah0494    schedule 01.10.2020    source источник
comment
можешь показать нам свою оригинальную модель? И как вы получаете маргинальные эффекты (например, какой пакет / команды?)   -  person Ben Bolker    schedule 03.10.2020

Ответы (1)


arrow_upward
1
arrow_downward

Предполагая, что показано dF / dx, это тот тип маргинального эффекта, который вам нужен,

  • предельный эффект ниже порога (0,067) и мужчины (0) составляет: 0,067

  • предельный эффект того, что она женщина (0,041) и не находится в бедности (0), составляет: 0,041

  • предельный эффект женского (0,041) и бедного (0,067) и совместного состояния (-0,055) составляет: 0,041 + 0,067 -,055

Подумайте о значении частных производных. Прямой эффект и эффект взаимодействия складываются, поскольку вы берете частную производную уравнения оценки по переменной x.

Предполагая, что описываемые вами переменные являются индикаторами (значениями 1 или 0), предельные эффекты базы (значение 0, скажем, мужской) не идентифицируются отдельно от точки пересечения. Результат можно интерпретировать только как базовую вероятность плюс предельные эффекты, если в данном случае базовый уровень определяется как мужской и небедный.

person KM_83    schedule 02.10.2020
comment
Хорошо, имеет смысл. спасибо за столь четкое объяснение! - person juliah0494; 03.10.2020