You need to enable JavaScript to run this app. R中基于prediction包实现与Stata pwcompare等价的预测概率两两比较
优惠活动
大模型
产品
解决方案
定价
更多

R中基于prediction包实现与Stata pwcompare等价的预测概率两两比较

基于prediction()输出实现逻辑回归预测概率两两比较

完全可以不依赖emmeans(),直接从prediction()返回的对象中提取内置的预测值和协方差矩阵,复现Statamargins 变量名, pwcompare(effects)的计算逻辑,具体步骤如下:

核心原理

prediction()的输出对象并非只存储了预测均值,内部完整保留了每个指定分组平均预测概率的协方差矩阵。Stata中pwcompare(effects)的本质就是基于这套协方差矩阵,计算任意两组预测概率的差值、差值标准误、z检验统计量、p值和置信区间,全程不需要二次转换预测结果。

针对你提供的示例代码的可运行实现

1. 提取预测值与协方差矩阵

# 提取各分组的平均预测概率,对应pp对象中输出的预测结果
pred_vals <- pp$value
names(pred_vals) <- pp$M_W
# 提取预测值对应的协方差矩阵,作为计算差值标准误的核心依据
vcov_mat <- attr(pp, "vcov")

2. 单组两两比较计算(示例中仅M、W两个分组)

# 计算两组预测概率的差值(对应W组减M组的效应值)
diff_val <- pred_vals["W"] - pred_vals["M"]
# 按协方差传递规则计算差值的标准误:Var(a-b) = Var(a) + Var(b) - 2*Cov(a,b)
diff_se <- sqrt(vcov_mat["W", "W"] + vcov_mat["M", "M"] - 2 * vcov_mat["W", "M"])
# 计算双侧z检验统计量
diff_z <- diff_val / diff_se
# 计算双侧检验p值
diff_p <- 2 * pnorm(abs(diff_z), lower.tail = FALSE)
# 计算95%置信区间
diff_ci_low <- diff_val - 1.96 * diff_se
diff_ci_high <- diff_val + 1.96 * diff_se
# 整理成和Stata输出格式一致的结果表
pw_compare_result <- data.frame(
  comparison = "W vs M",
  difference = round(diff_val, 4),
  std_error = round(diff_se, 4),
  z_value = round(diff_z, 4),
  p_value = round(diff_p, 4),
  ci_95_low = round(diff_ci_low, 4),
  ci_95_high = round(diff_ci_high, 4)
)
print(pw_compare_result)

3. 多分组通用批量比较实现

如果后续纳入比较的分类变量有3个及以上水平,不需要逐组手动计算,直接遍历所有两两组合批量生成结果即可:

# 获取待比较变量的所有分组名
group_names <- unique(pp$M_W)
# 生成所有不重复的两两组合
all_pairs <- combn(group_names, 2)
# 批量计算每个组合的检验统计量
pairwise_results <- apply(all_pairs, 2, function(pair) {
  g1 <- pair[1]
  g2 <- pair[2]
  diff <- pred_vals[g1] - pred_vals[g2]
  se <- sqrt(vcov_mat[g1, g1] + vcov_mat[g2, g2] - 2 * vcov_mat[g1, g2])
  z <- diff / se
  p <- 2 * pnorm(abs(z), lower.tail = FALSE)
  data.frame(
    comparison = paste0(g1, " vs ", g2),
    difference = diff,
    std_error = se,
    z_value = z,
    p_value = p,
    ci_95_low = diff - 1.96 * se,
    ci_95_high = diff + 1.96 * se
  )
})
# 合并所有结果为数据框
pw_result_df <- do.call(rbind, pairwise_results)

注意事项

  • 以上计算全程基于prediction()直接输出的原始结果,没有经过其他包的二次转换,完全匹配你要求的不使用emmeans()的需求,和Stata对应命令的计算逻辑完全一致
  • 如果需要多重检验校正(比如Bonferroni、Holm校正),直接对生成的p值向量调用p.adjust()即可,和Stata中pwcompare指定多重校正方法的效果等价
  • 你当前示例中prediction()默认将其余协变量保持在原始观测分布上计算平均预测概率,和Stata默认的边际均值计算规则完全匹配,结果没有系统性偏差

内容的提问来源于stack exchange,提问作者KIM

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.11.12 14:45:03