plot_slopes无法在迭代函数中计算预测的回归模型值，但可以在函数外部预测每个值

问：

这是一个很难回答的问题，因为我无法提供实际的复制数据（很抱歉，数据太大/敏感），但我很感激任何人的想法。我在这里使用示例数据来显示代码的结构，尽管此代码不会产生我在下面详述的错误。

我有一个复杂的函数，我执行多重回归以隔离交互效应，并使用精彩包中的函数将它们绘制在一起。我的代码结构如下。plot_slopesmarginaleffects

library(tidyverse)
library(marginaleffects)

outcome_var_list = c("mpg","cyl","hp")
interact_var_list =  c("am","wt")
subset_var_list = c("3","4")

combos = expand.grid(outcome_var_list, subset_var_list)


model_ <- function(k,c){

mtcars = mtcars[mtcars$gear == c,]

outcome_var_list = outcome_var_list[outcome_var_list == k] 

results = list()
  for (r in interact_var_list) {
    f = paste(k, "~", r, "*factor(vs)")
    m = lm(f, subset(mtcars, carb %in% c(1,2,3,4)))
    s = plot_slopes(m, variables = r, condition = "vs", draw = FALSE)
    tmp = s[, c("estimate", "conf.low", "conf.high", "vs")]
    tmp$outcome = k
    tmp$regressor = r
    results = c(results, list(tmp))
  }
results = do.call("rbind", results)  


plot1 = results %>% 
  mutate(min = min(conf.low), max = max(conf.high)) %>% 
  ggplot(aes(x=factor(vs), 
             y=estimate, 
             color = regressor, 
             ymin=conf.low, 
             ymax=conf.high)) + 
  geom_errorbar(position = position_dodge(0.4)) + 
  geom_point(position = position_dodge(0.4)) + 
  scale_x_discrete(expand = c(0,0)) + 
  theme_light() + 
  ggtitle(label = paste0("Model 1: ",k)) + 
  theme(plot.title = element_text(hjust = 0.5)) + 
  labs(y= "Interaction Coefficient", x = "X") + 
  theme(plot.title = element_textbox_simple(vjust=-1)) +
  theme(plot.margin = margin(2,0,0,0, "cm")) + 
  theme(axis.text.x = element_text(size = 5))

  ggsave(plot1,file=paste0("plot_",k,".png"),path=paste0(c))

}


safe_model <- safely(model_)
iterate <-mapply(safe_model,combos$Var1,combos$Var2)

当我在添加额外内容之前运行它时，一切都很好。subset_var_list

但是，当我添加子集 var 并切换到 mapply 时，我现在为整个数据子集生成模型，其中只有几秒可以生成要保存的图。我认为这是由于缺乏覆盖范围或其他原因，所以我删除了 ，这揭示了以下错误：outcome_varsafely

Error: Unable to compute predicted values with this model. You can try to supply a different dataset to the `newdata` argument.
  If this does not work, you can file a report on the Github Issue Tracker:
  https://github.com/vincentarelbundock/marginaleffects/issues

我再次认为这是由于缺乏覆盖率/变异性，因此我尝试手动运行每个单独的交互回归，而不是通过函数运行，并且每个图/回归都成功为其中一个子集生成，否则不会生成图。因此，这似乎不是模型/缺乏变化的问题。plot_slopes

我可能会误解错误消息中提出的论点是如何工作的，但似乎它具有执行任务的完整数据，这应该不会带来任何好处。回归/斜率模型可以单独/手动生成，而当放在这个函数中时，它们无法预测，这有什么原因吗？如何解决此问题并为每个子集创建所需的所有绘图？newdata

更新 2

我能够让它工作，但我仍然想知道问题是什么，希望是否有办法提高运行模型的速度。

我在 for 循环中过滤了模型，以删除结果变量的 NA。我这样做的理由是，我的数据集中的某些交互变量没有任何数据覆盖率，因此，当它们都是 NA 时，即使所有 NA 都在回归中被删除，它也会触发有关因子水平不足的消息，因此应该删除它们。在回归之前，我手动执行此操作，现在它可以工作了

我的新代码如下：

library(tidyverse)
library(marginaleffects)

outcome_var_list = c("mpg","cyl","hp")
interact_var_list =  c("am","wt")
subset_var_list = c("3","4")

combos = expand.grid(outcome_var_list, subset_var_list)


model_ <- function(k,c){

mtcars = mtcars[mtcars$gear == c,]

outcome_var_list = outcome_var_list[outcome_var_list == k] 

results = list()
  for (r in interact_var_list) {
    f = paste(k, "~", r, "*factor(vs)")
    m = lm(f, mtcars %>% filter(is.na(k))
    s = plot_slopes(m, variables = r, condition = "vs", draw = FALSE)
    tmp = s[, c("estimate", "conf.low", "conf.high", "vs")]
    tmp$outcome = k
    tmp$regressor = r
    results = c(results, list(tmp))
  }
results = do.call("rbind", results)  


plot1 = results %>% 
  mutate(min = min(conf.low), max = max(conf.high)) %>% 
  ggplot(aes(x=factor(vs), 
             y=estimate, 
             color = regressor, 
             ymin=conf.low, 
             ymax=conf.high)) + 
  geom_errorbar(position = position_dodge(0.4)) + 
  geom_point(position = position_dodge(0.4)) + 
  scale_x_discrete(expand = c(0,0)) + 
  theme_light() + 
  ggtitle(label = paste0("Model 1: ",k)) + 
  theme(plot.title = element_text(hjust = 0.5)) + 
  labs(y= "Interaction Coefficient", x = "X") + 
  theme(plot.title = element_textbox_simple(vjust=-1)) +
  theme(plot.margin = margin(2,0,0,0, "cm")) + 
  theme(axis.text.x = element_text(size = 5))

  ggsave(plot1,file=paste0("plot_",k,".png"),path=paste0(c))

}


safe_model <- safely(model_)
iterate <-mapply(safe_model,combos$Var1,combos$Var2)

这将运行模型并允许我成功生成它们。但是，当我尝试过滤循环外的数据帧以提高处理速度时，我仍然收到原始错误：results = list(...

Error: Unable to compute predicted values with this model. You can try to supply a different dataset to the `newdata`
  argument. If this does not work, you can file a report on the Github Issue Tracker:
  https://github.com/vincentarelbundock/marginaleffects/issues

这对我来说很奇怪，因为从理论上讲，如果在任一阶段过滤 df，结果应该是相同的。在for循环之外过滤时，是否有任何原因导致此错误？如果无法解决，在for循环中过滤时，有没有办法加快这个过程？