如何在R中计算基于回归的弹性系数95%置信区间？

背景 #

已知价格弹性系数（PE）的计算逻辑：回归方程中Price.Eggs的β系数 ×（月度平均价格 / 平均销量）。示例回归方程及计算过程如下：

Sales of Eggs = 137.37 – (16.12)Price.Eggs + 4.15 (Ad.Type) – (8.71)Price.Cookies
(ΔQ/ΔP) 对应回归系数-16.12，取平均价格4.43、平均销量30，计算得PE = -16.12 * 4.43/30 = -2.38

需求：基于上述逻辑，在R中实现该弹性系数的95%置信区间计算。

实现步骤 #

1. 拟合回归模型 #

用你的数据集拟合线性回归模型，示例代码：

# 假设数据集名为egg_data
model <- lm(Sales ~ Price.Eggs + Ad.Type + Price.Cookies, data = egg_data)

2. 提取回归系数的置信区间 #

从模型中提取Price.Eggs系数的95%置信区间：

coef_ci <- confint(model, "Price.Eggs", level = 0.95)

3. 计算弹性系数的置信区间 #

用平均价格与平均销量的比值，对回归系数的置信区间做线性变换：

# 计算平均价格和平均销量
mean_price <- mean(egg_data$Price.Eggs)
mean_sales <- mean(egg_data$Sales)
# 转换为弹性的置信区间
pe_ci <- coef_ci * (mean_price / mean_sales)
# 输出结果
print(pe_ci)

4. 结果示例 #

对应示例数值，运行后会输出类似结果：

2.5 %    97.5 %
Price.Eggs -3.33   -1.93

即弹性系数的95%置信区间为**-3.33至-1.93**（符号与回归系数一致）。

补充：自助法（Bootstrap）实现 #

若需更严谨的推断（不依赖正态分布假设），可使用自助抽样：

library(boot)

# 定义弹性计算函数
elasticity_fun <- function(data, indices) {
  d <- data[indices,]
  mod <- lm(Sales ~ Price.Eggs + Ad.Type + Price.Cookies, data = d)
  coef(mod)["Price.Eggs"] * (mean(d$Price.Eggs)/mean(d$Sales))
}

# 执行1000次自助抽样
boot_result <- boot(data = egg_data, statistic = elasticity_fun, R = 1000)
# 提取BCA法95%置信区间
boot_ci <- boot.ci(boot_result, type = "bca")
print(boot_ci)

内容的提问来源于stack exchange，提问作者psysky