vincentarelbundock/marginaleffects

R package to compute and plot predictions, slopes, marginal means, and comparisons (contrasts, risk ratios, odds, etc.) for over 100 classes of statistical and ML models. Conduct linear and non-linear hypothesis tests, or equivalence tests. Calculate uncertainty estimates using the delta method, bootstrapping, or simulation-based inference

marginaleffects – 将模型输出转化为洞察力

是什么 – marginaleffects 是一个开源的 R 和 Python 库，简化了对统计和机器学习模型的解释。它可帮助您从原始模型系数快速转换为具体、人类可读的量，如预测值、对比、风险比、边际效应（偏导数）和假设检验结果。

为何重要 – 现代数据分析通常涉及数十种模型类型（线性回归、广义线性模型、树形学习器、正则化模型等）。虽然现有包可以拟合这些模型，但提取有意义的摘要却繁琐且容易出错。marginaleffects 提供了一个一致且统一的 API，支持100多种模型类别，使分析人员能专注于洞察，而非繁琐的文档工作。

核心功能

预测 – 适用于任何支持的模型，提供点预测、置信区间和预测区间。
比较 / 对比 – 计算组间或情景间的差异、风险比、比值比等效应度量。
斜率与边际效应 – 获取线性和非线性模型的偏导数、平均边际效应和条件效应。
假设检验 – 对衍生量执行沃尔德检验、似然比检验和基于自助法的推断。
跨语言支持 – 相同的高级函数在 R 和 Python 中均可使用，支持可复现的工作流。

文档与学习资源 – 该包的官网 (marginaleffects.com) 提供完整的参考文档、示例，以及一本免费的 HTML 版本配套书籍《Model to Meaning》，系统讲解概念框架与实际使用方法。

适合谁使用 – 数据科学家、统计学家、经济学家，以及任何构建预测或解释性模型并需向非技术利益相关者传达结果的分析师。

该项目是用于解释统计和机器学习模型的真实软件工具，完全契合 AI/ML 生态系统。