Bagaimana cara menggunakan metode delta untuk kesalahan standar efek marginal?


20

Saya tertarik untuk lebih memahami metode delta untuk mendekati kesalahan standar dari efek marginal rata-rata dari model regresi yang mencakup istilah interaksi. Saya telah melihat pertanyaan terkait di bawah tetapi tidak ada yang memberikan apa yang saya cari.

Pertimbangkan contoh data berikut ini sebagai contoh yang memotivasi:

set.seed(1)
x1 <- rnorm(100)
x2 <- rbinom(100,1,.5)
y <- x1 + x2 + x1*x2 + rnorm(100)
m <- lm(y ~ x1*x2)

Saya tertarik dengan efek marginal rata-rata (AME) dari x1dan x2. Untuk menghitung ini, saya cukup melakukan hal berikut:

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

Tetapi bagaimana saya menggunakan metode delta untuk menghitung kesalahan standar AME ini?

Saya dapat menghitung SE untuk interaksi khusus ini dengan tangan:

v <- vcov(m)
sqrt(v['x1','x1'] + (mean(x2)^2)*v['x1:x2','x1:x2'] + 2*mean(x2)*v['x1','x1:x2'])

Tapi saya tidak mengerti cara menggunakan metode delta.

Idealnya, saya mencari beberapa panduan tentang cara berpikir tentang (dan kode) metode delta untuk AME dari setiap model regresi sewenang-wenang. Misalnya, pertanyaan ini memberikan rumus untuk SE untuk efek interaksi tertentu dan dokumen ini dari Matt Golder menyediakan rumus untuk berbagai model interaktif, tetapi saya ingin lebih memahami prosedur umum untuk menghitung UK dari AMEs daripada rumus untuk SE dari AME tertentu.


2
+1 Pertanyaan bagus (sudah lama mengganggu saya)! Ada sebuah posting di forum Stata: Kesalahan Delta Metode Standar untuk rata-rata marginal ... . Pada SE, ada contoh menggunakan pendekatan bootstrap: fungsi mfxboot untuk efek marginal untuk regresi probit? .
Bernd Weiss

Jawaban:


16

Metode delta hanya mengatakan bahwa jika Anda dapat mewakili variabel bantu Anda dapat mewakili sebagai fungsi dari variabel acak yang terdistribusi normal, bahwa variabel tambahan terdistribusi secara normal dengan varians yang sesuai dengan seberapa banyak variasi pembantu terkait dengan variabel normal (EDIT: seperti yang ditunjukkan oleh Alecos Papadopoulos, metode delta dapat dinyatakan lebih umum sehingga tidak memerlukan normalitas asimptotik). Cara termudah untuk memikirkan ini adalah sebagai ekspansi Taylor, di mana istilah pertama suatu fungsi adalah rata-rata, dan varians berasal dari istilah urutan kedua. Secara khusus, jika adalah fungsi dari parameter dan adalah penduga yang konsisten dan terdistribusi normal untuk parameter itu: gβb

g(b)g(β)+g(β)(bβ)
Karena adalah konstanta, dan adalah estimator yang konsisten untuk , kita dapat mengatakan: Dalam hal ini, adalah taksiran OLS Anda, dan adalah AME. Anda dapat menulis AME spesifik ini sebagai: jika Anda mengambil gradien dari fungsi ini (ingat, fungsi dari koefisien bukan dari ), itu akan menjadi : βbβ b g g ( b 1 , b 2 ) = b 1 + b 2  rata-rata ( x 2 ) x 2 [ 1 ,
n(g(b)g(β))DN(0,g(β)Σbg(β))
bg
g(b1,b2)=b1+b2 mean(x2)
x2 b [ s 11 s 12 s 12 s 22 ]
[1,mean(x2)]
dan matriks varians-kovariansi untuk mungkin: Memasukkan ini ke rumus varians dan melakukan beberapa aljabar matriks memberi Anda ekspresi yang sama yang Anda inginkan.b
[s11s12s12s22]

Secara umum jika Anda ingin melakukan ini, Anda dapat secara eksplisit kode apapun Anda ingin menjadi sebagai fungsi dari semua koefisien Anda dan kemudian menggunakan untuk mengambil gradien numerik (jika tidak, anda harus menggunakan komputer aljabar) fungsi sehubungan dengan parameter Anda, pada parameter yang Anda perkirakan. Maka Anda cukup mengambil varians-kovarians matriks dan gradien numerik ini dan hubungkan ke formula dan voila! Metode delta.gRnumDeriv

ADDENDUM: Dalam kasus khusus ini Rkodenya adalah:

v <- vcov(m)

# Define function of coefficients. Note all coefficients are included so it 
# will match dimensions of regression coefficients, this could be done more 
# elegantly in principle
g <- function(b){
    return(b[2] + b[4] * mean(x2))
}

require(numDeriv) # Load numerical derivative package

grad_g <-  jacobian(g, m$coef) # Jacobian gives dimensions, otherwise same as
                               # gradient 

sqrt(grad_g%*% v %*% t(grad_g)) # Should be exactly the same 

Perhatikan bahwa akan selalu lebih disukai untuk mendapatkan gradien yang tepat daripada gradien numerik untuk masalah ini, karena gradien yang tepat akan memiliki lebih sedikit kesalahan komputasi. Fakta bahwa linier menghilangkan masalah ini, dan untuk fungsi yang lebih rumit, gradien yang tepat mungkin tidak selalu tersedia.g


1
Terima kasih atas jawaban yang sangat terperinci ini. Saya pikir apa yang terutama membuat saya tersandung adalah gradien sehubungan dengan koefisien daripada variabel asli. Saya sangat menghargai bantuan Anda!
Thomas

Dan hanya pertanyaan klarifikasi. Anda gunakan mean(x2)saat menghitung SE. Bukankah itu hanya untuk efek marginal pada rata-rata? Intuisi saya adalah bahwa untuk AME, saya harus SE untuk setiap pengamatan dan kemudian rata-rata melintasi mereka dalam beberapa cara.
Thomas

1
Ini setara dengan AME linier, ketika Anda mengambil rata-rata dari pengamatan Anda hanya berakhir dengan efek marginal pada rata-rata. Kalau tidak, Anda benar-benar harus mendefinisikan gsebagai rata-rata efek marginal untuk setiap individu, dan mungkin menggunakan gradien numerik, saya tidak yakin bahwa mengambil SE untuk masing-masing akan cukup sama.
jayk

1
Yaitu AME dan ME pada mean setara dengan ME linear. SE tidak akan saya pikir setara karena bentuk untuk varians kuadrat, sehingga mean tidak akan muncul begitu saja. Saya tidak memiliki intuisi yang baik mengapa SE tidak bisa hanya ditambahkan pada pengamatan, tapi saya cukup yakin itu benar.
jayk

2
Perhatikan bahwa Teorema Delta tidak memerlukan normalitas.
Alecos Papadopoulos
Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.