要比较计算不同因素之间的边际效应，可以使用统计分析软件（如R或Python）来进行实现。以下是一个Python示例代码，演示如何使用回归模型计算不同因素的边际效应。

首先，需要安装并导入所需的Python库，如pandas（用于数据处理）、statsmodels（用于回归分析）和matplotlib（用于绘图）：

import pandas as pd
import statsmodels.api as sm
import matplotlib.pyplot as plt

接下来，准备数据，假设我们有一个包含因变量（Y）和多个自变量（X1，X2，X3等）的数据集：

data = pd.read_csv('data.csv')  # 从CSV文件中读取数据

然后，使用statsmodels库中的回归函数来拟合线性回归模型：

X = data[['X1', 'X2', 'X3']]  # 自变量
y = data['Y']  # 因变量

# 添加常数（截距项）
X = sm.add_constant(X)

# 拟合线性回归模型
model = sm.OLS(y, X).fit()

现在，我们可以使用回归模型的summary()方法来查看模型的详细结果：

print(model.summary())

在结果中，我们可以看到每个自变量的系数（Coefficients）和标准误差（Standard Errors）等信息。

要计算不同因素之间的边际效应，可以使用回归模型的get_margeff()方法：

marginal_effects = model.get_margeff()
print(marginal_effects.summary())

这将给出每个自变量的边际效应、标准误差和置信区间等信息。

最后，可以使用matplotlib库绘制边际效应的图形：

marginal_effects.plot()
plt.show()

这将显示每个自变量的边际效应的图形。

请注意，以上代码仅为示例，实际使用时需要根据具体的数据和模型进行适当的修改和调整。