Estoy interesado en comprender mejor el método delta para aproximar los errores estándar de los efectos marginales medios de un modelo de regresión que incluye un término de interacción. He mirado preguntas relacionadas en método delta pero ninguno me ha proporcionado exactamente lo que busco.
Considere los siguientes datos como ejemplo motivador:
set.seed(1)
x1 <- rnorm(100)
x2 <- rbinom(100,1,.5)
y <- x1 + x2 + x1*x2 + rnorm(100)
m <- lm(y ~ x1*x2)
Me interesan los efectos marginales medios (EMA) de x1
et x2
. Para calcularlos, simplemente hago lo siguiente:
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
Pero, ¿cómo utilizo el método delta para calcular los errores estándar de estas EMA?
Puedo calcular a mano el SE de esta interacción concreta:
v <- vcov(m)
sqrt(v['x1','x1'] + (mean(x2)^2)*v['x1:x2','x1:x2'] + 2*mean(x2)*v['x1','x1:x2'])
Pero no entiendo cómo utilizar el método delta.
Idealmente, estoy buscando alguna guía sobre cómo pensar (y codificar) el método delta para AMEs de cualquier modelo de regresión arbitrario. Por ejemplo, esta pregunta proporciona una fórmula para el SE de un efecto de interacción concreto y este documento de Matt Golder proporcionan fórmulas para una variedad de modelos interactivos, pero quiero entender mejor el procedimiento general para calcular los SE de los AME en lugar de la fórmula para el SE de cualquier AME en particular.
3 votos
+1 ¡Gran pregunta (a mí también me lleva dando la lata mucho tiempo)! Hay un post en el foro de Stata: Errores estándar del método Delta para... . En SE, hay un ejemplo que utiliza un enfoque bootstrap: ¿Función mfxboot para efectos marginales en regresiones probit? .