调查加权和多输入数据的汇总平均边际效应

Question

除了我使用小鼠（）估算的数据之外，我还处理调查数据及其相关权重。我最终正在运行的模型包含变量之间的复杂交互，我想要平均边缘效应。

这项任务在Stata中似乎很微不足道，但是我宁愿留在R中，因为这是我最了解的。对于每个单独的估算数据集和平均估计值，检索AME似乎很容易。但是，我需要使用池（）（来自鼠标）来确保我遇到正确的标准错误。

这是一个可重复的示例：

library(tidyverse)
library(survey)
library(mice)
library(margins)

df <- tibble(y = c(0, 5, 0, 4, 0, 1, 2, 3, 1, 12), region = c(1, 1, 1, 1, 1, 3, 3, 3, 3, 3), 
             weight = c(7213, 2142, 1331, 4342, 9843, 1231, 1235, 2131, 7548, 2348), 
             x1 = c(1.14, 2.42, -0.34, 0.12, -0.9, -1.2, 0.67, 1.24, 0.25, -0.3),
             x2 = c(12, NA, 10, NA, NA, 12, 11, 8, 9, 9))

在简单的（非数字）svyglm上使用margins（）无需挂接。使用（）和汇总结果在每个插图上运行svyGLM也可以很好地工作。

m <- with(surv_obj, svyglm(y ~ x1 * x2))
pool(m)

但是，包装Margins（）（）（）返回一个错误“ .svyCheck（Design）中的错误（设计）：参数“设计”，如果我在svyglm呼叫中指定设计，则没有默认的“ design”

with(surv_obj, margins(svyglm(y ~ x1 * x2), design = surv_obj))

，我会在usemethod中获得“错误”（ “ svyglm”，设计）：没有适用的方法用于“ svyglm'”的对象“ svyimputationlist”，“

with(surv_obj, margins(svyglm(y ~ x1 * x2, design = surv_obj), design = surv_obj))

如果我放下调查层，只需尝试在每个估算的集合上运行边距，然后才会收到警告，我会得到警告：“在get.dfcom（对象，DFCOM）中警告：假定的无限样本量。”。

m1 <- with(imputed_df, margins(lm(y ~ x1 * x2)))
pool(m1)

考虑到池（）可能在其计算中使用样本量，这让我感到担忧。

任何人都知道（a）使用的任何方法（），margins（）和pool（）来检索汇总的平均边缘效应，或pool.scalar（））以达到所需的结果？

Answer 1

在文森特（Vincent）的评论中，更新后，

想在文森特（Vincent）的评论和相关软件包marginaleffects（）之后更新此帖子，该评论最终解决了我的问题。希望这将对其他人遇到类似问题的人有帮助。

我在Vincent评论中链接的小插图中实现了代码，并添加了一些步骤，以进行调查加权和建模。值得注意的是，svydesign（）将丢弃在聚类/加权变量上缺少的任何观察值，因此marginaleffects（）无法将值预测到原始的“ dat”数据并会丢弃错误。汇总我的实际数据仍然会引发“假定的无限样本量”，该数据（如前所述）应该很好，但我仍在研究修复程序。

library(tidyverse)
library(survey)
library(mice)
library(marginaleffects)

fit_reg <- function(dat) {
  
    svy <- svydesign(ids = ~ 1, cluster = ~ region, weight = ~weight, data = dat)
    mod <- svyglm(y ~ x1 + x2*factor(x3), design = svy)
    out <- marginaleffects(mod, newdata = dat)
    
    class(out) <- c("custom", class(out))
    return(out)
}

tidy.custom <- function(x, ...) {
    out <- marginaleffects:::tidy.marginaleffects(x, ...)
    out$term <- paste(out$term, out$contrast)
    return(out)
}

df <- tibble(y = c(0, 5, 0, 4, 0, 1, 2, 3, 1, 12), region = c(1, 1, 1, 1, 1, 3, 3, 3, 3, 3), 
             weight = c(7213, 2142, 1331, 4342, 9843, 1231, 1235, 2131, 7548, 2348), 
             x1 = c(1.14, 2.42, -0.34, 0.12, -0.9, -1.2, 0.67, 1.24, 0.25, -0.3),
             x2 = c(12, NA, 10, NA, NA, 12, 11, 8, 9, 9),
             x3 = c(1, 1, 1, 1, 1, 2, 2, 2, 2, 2))

imputed_df <- mice(df, m = 2, seed = 123)

dat_mice <- complete(imputed_df, "all")
mod_imputation <- lapply(dat_mice, fit_reg)
mod_imputation <- pool(mod_imputation)

summary(mod_imputation)