非线性预测函数的边际效应是什么(非线性预测函数的边际效应怎么求)

导语：非线性预测函数的边际效应

线性回归模型的β系数代表了可解释特征效应的理想形式。然而，对于非线性模型，特别是广义线性模型，估计的系数不能被解释为对预测结果的直接特征效应。因此，边际效应通常被用作特征效应的近似值，要么是预测函数的衍生物形状，要么是特征值变化导致的预测差异。虽然边际效应在许多科学领域都有应用，但它们还没有被作为机器学习模型的模型诊断解释方法而采用。这可能是由于它们作为单变量特征效应的灵活性，以及它们无法处理黑盒模型中的非线性问题。我们引入了一类新的边际效应，即前向边际效应。我们主张放弃衍生品，而采用更好的可解释的前向差异。此外，我们将基于正向差分的边际效应推广到特征值的多变量变化。为了说明预测函数的非线性，我们为边际效应引入了一个非线性度量。我们反对将非线性预测函数的特征效应归纳为平均边际效应这样的单一指标。相反，我们建议对特征空间进行划分，在特征子空间上计算条件平均边际效应，作为条件特征效应的估计。

《Marginal Effects for Non-Linear Prediction Functions》

论文地址:http://arxiv.org/abs/2201.08837v1

本文内容由小里整理编辑！