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 – 將模型輸出轉化為洞察力

是什麼 – marginaleffects 是一個開源的 R 與 Python 套件，簡化統計與機器學習模型的解釋。它可協助您從原始模型係數快速轉換為具體、人類可讀的數值，例如預測值、對比、風險比、邊際效果（偏微分）與假設檢定結果。

為何重要 – 現代資料分析通常涉及數十種模型類型（線性回歸、廣義線性模型、樹狀學習器、正則化模型等）。雖然現有套件可擬合這些模型，但提取有意義的摘要卻繁瑣且容易出錯。marginaleffects 提供一個一致且統一的 API，支援100多種模型類別，讓分析人員能專注於洞察，而非繁瑣的文件工作。

核心功能

預測 – 適用於任何支援的模型，提供點預測、信賴區間與預測區間。
比較 / 對比 – 計算群組或情境間的差異、風險比、比值比等效果度量。
斜率與邊際效果 – 取得線性與非線性模型的偏微分、平均邊際效果與條件效果。
假設檢定 – 對衍生量執行沃德檢定、概似比檢定與基於自助法的推論。
跨語言支援 – 相同的高階函數在 R 與 Python 中皆可使用，支援可重現的工作流程。

文件與學習資源 – 該套件官網 (marginaleffects.com) 提供完整的參考文件、範例，以及一本免費的 HTML 版本配套書《Model to Meaning》，系統性地講解概念架構與實際使用方法。

適合誰使用 – 數據科學家、統計學家、經濟學家，以及任何建構預測或解釋性模型並需向非技術利益相關者傳達結果的分析師。

此專案是用於解釋統計與機器學習模型的真實軟體工具，完全契合 AI/ML 生態系統。