MarginalEffects (Model to Meaning)

Ce qu'il fait

Cette compétence encapsule le manuel et le matériel pédagogique pour le package marginaleffects et le livre compagnon « Model to Meaning ». Elle aide les agents à guider les utilisateurs dans le choix des estimands (prédictions, comparaisons, pentes), la construction de grilles contrefactuelles, l'agrégation des résultats (ATE, ATT, CATE) et la sélection des méthodes d'inférence (delta, bootstrap, bayésienne). La compétence comprend des exemples spécifiques aux langages R et Python et explique comment utiliser les fonctions de base comme predictions(), comparisons(), slopes(), les variantes avg_* et datagrid().

Quand l'utiliser

Utilisez-la lorsque les utilisateurs demandent comment interpréter les sorties de modèle, calculer des effets marginaux ou des effets de traitement moyens, configurer des comparaisons contrefactuelles ou exécuter des tests d'hypothèse sur des quantités dérivées. Elle convient à la fois au cadrage conceptuel (cadre en cinq questions) et aux exemples de code concrets en R ou Python.

Ce qui est inclus

• Scripts : aucun script groupé (has_scripts=false)
• Références : liens et chapitres de livres résumés dans le corps de la compétence (has_references=false)
• Instructions : cadre en cinq questions (Quantité, Grille, Agrégation, Incertitude, Test), pointeurs de référence aux fonctions et exemples de code pour les modèles logit en R et Python.

Agents compatibles

Les agents capables de générer ou de réviser du code statistique R/Python (assistants de type Codex/Copilot, Claude Code, Cursor) sont les plus adaptés ; utile également pour les agents aidant à interpréter les résultats pour des parties prenantes non techniques.