Doğru yoldasınız, ancak hangi modelin gerçekten uygun olduğunu görmek için kullandığınız yazılımın belgelerine her zaman bir göz atın. Kategorik bağımlı değişken ile sıralı kategoriler 1 , … , g , … , k ve X 1 , … , X j , … , X p yordayıcıları olan bir durum varsayalım .Y1,…,g,…,kX1,…,Xj,…,Xp
"Doğada", farklı zımni parametre anlamları olan teorik orantılı olasılık modelini yazmak için üç eşdeğer seçimle karşılaşabilirsiniz:
- logit(p(Y⩽g))=lnp(Y⩽g)p(Y>g)=β0g+β1X1+⋯+βpXp(g=1,…,k−1)
- logit ( p ( Y⩽ g) ) = lnp ( Y⩽ g)p ( Y> g)= β0g- ( β1X1+ ⋯ + βpXp)( g= 1 , … , k - 1 )
- logit ( p ( Y⩾ g) ) = lnp ( Y⩾ g)p ( Y< g)= β0g+ β1X1+ ⋯ + βpXp( g= 2 , … , k )
(Model 1 ve 2, ayrı ikili lojistik regresyonlarında, β j'nin g ile değişmemesi ve β 0 1 < … < β 0 g < … < β 0 k - 1 , model 3'ün β j ile aynı kısıtlama ve β 0 2 > … > β 0 g > … > β 0 k ) gerektirirk - 1βjgβ01< … < Β0g< … < Β0k- 1βjβ02> … > Β0g> … > Β0k
- Model 1, pozitif olarak belirleyici bir artış olduğunu vasıtasıyla x , j bir artan olasılığı ile ilişkili olduğu alt kategoriye Y .βjXjY
- Model 1 biraz mantıksızdır, bu nedenle model 2 veya 3 yazılımda tercih edilen modeldir. Burada, pozitif bir , X j tahmincisinde bir artışın Y'de daha yüksek bir kategori için artan oranlarla ilişkili olduğu anlamına gelir .βjXjY
- Model 1 ve 2, için aynı tahminlere yol açar , ancak β j için tahminlerinin zıt işaretleri vardır.β0gβj
- Model 2 ve 3, için aynı tahminlere yol açar , ancak β 0 g için tahminlerinin zıt işaretleri vardır.βjβ0g
Bir 1 birim artış ile yazılım kullanımları varsayarsak modeli 2 veya 3, sen" diyebilirsiniz , paribus, ceteris tahmin 'gözlemleyerek ihtimali Y = İyi gözlemleyerek vs' ' Y = nötr ya da kötü ' kat değişiklik e β 1 = 0,607 . "ve aynı şekilde" bir 1 adet artışla X 1 , paribus, ceteris tahmin 'gözlemleyerek ihtimali Y = İyi YA Nötr 'gözlemleyerek vs' Y = Bad adlı kat' değişim e βX1Y= İyiY= Nötr VEYA Kötüeβ^1= 0.607X1Y= İyi VEYA NötrY=Bad. "Ampirik durumda, gerçek tahminlere değil, sadece tahmini oranlara sahibiz.eβ^1=0.607
İşte kategorili model 1 için bazı ek çizimler . İlk olarak, orantılı olasılıklara sahip kümülatif loglar için doğrusal bir model varsayımı. İkincisi, en fazla g kategorisinde gözlemlenen zımni olasılıklar g . Olasılıklar aynı şekle sahip lojistik fonksiyonları takip eder.
k=4g
Kategori olasılıkları için, tasvir edilen model aşağıdaki sıralı işlevleri ima eder:
PS Bildiğim kadarıyla model 2 SPSS'nin yanı sıra R fonksiyonlarında MASS::polr()
ve ordinal::clm()
. Model 3, R fonksiyonlarında rms::lrm()
ve VGAM::vglm()
. Ne yazık ki SAS ve Stata'yı bilmiyorum.