关于ggpredict交互项边际效应图假设检验与回归系数差异的问询

核心原因：分析尺度不同 #

• 回归模型中age*chimin交互项的系数，是对数优势比（log-odds）尺度下的统计量：它衡量的是在获签概率的对数优势比层面，有未成年子女（chimin=1）和无未成年子女（chimin=0）两组中，年龄对获签结果的效应差异，这个值是固定的（因为logit模型的线性预测部分是线性关系）。
• hypothesis_test(result)输出的contrast，是预测获签概率尺度下的统计量：它衡量的是在实际获签概率层面，两组中年龄每增加1单位时，概率变化量的差异。由于logit模型的非线性转换（从对数优势比到概率的sigmoid函数），概率尺度下的边际效应会随年龄取值变化，ggpredict默认在年龄的典型值（如均值）附近计算这个差异，因此和对数优势比尺度的交互项系数数值完全不同。

对检验与图表的理解修正 #

你的理解存在偏差：概率尺度下两组斜率的差异，不等于回归模型的交互项系数。两者描述的是不同尺度下的效应差异：

• 回归交互项检验的是「对数优势比层面的效应差异」
• hypothesis_test(result)检验的是「实际获签概率层面的边际效应差异」

结果能否用于成果报告 #

可以使用，但必须明确说明分析的尺度：

• 如果你的报告面向非统计专业读者，想直观展示「不同子女状态下，年龄对获签概率的影响差异」，hypothesis_test(result)的结果更易懂，适合用来辅助可视化（比如搭配ggpredict生成的边际效应图）。
• 如果需要保持统计严谨性（比如和同类研究的模型参数对比、进行后续的统计合成），回归模型的age*chimin交互项系数（对数优势比）更合适，因为它是模型的原生参数，不受自变量取值范围的影响。

验证方法（可选） #

如果想验证尺度差异的影响，可以指定type = "link"，计算对数优势比尺度的边际效应，此时hypothesis_test的结果会和回归交互项系数一致：

result_link <- ggpredict(fit7am, c("age", "chimin"), type = "link")
hypothesis_test(result_link)

内容的提问来源于stack exchange，提问作者Ryan X