Sıralı lojistik regresyonu çizmek ve yorumlamak

Ben 1 (kolay değil) 5 (çok kolay) arasında değişen bir sıralı bağımlı değişken, kolaylık var. Bağımsız faktörlerin değerlerindeki artışlar, artan kolaylık derecesi ile ilişkilidir.

Bağımsız değişkenlerimden ikisi ( condAve condB) kategoriktir, her biri 2 seviyeli ve 2 ( abilityA, abilityB) süreklidir.

R'de sıralı paketi kullanıyorum , burada inandığım şeyi kullanıyor

$$\text{logit}(p(Y \leqslant g)) = \ln \frac{p(Y \leqslant g)}{p(Y > g)} = \beta_{0_g} - (\beta_{1} X_{1} + \dots + \beta_{p} X_{p}) \quad(g = 1, \ldots, k-1)$$

Bunu bağımsız olarak öğreniyorum ve hala mücadele ederken mümkün olan her türlü yardımı takdir ediyorum. Sıralı pakete eşlik eden eğiticilere ek olarak, aşağıdakileri de yararlı buldum:

• Ordinal lojistik regresyonun yorumu
• Sıralı lojistik regresyonda negatif katsayı

Ama sonuçları yorumlamaya çalışıyorum ve farklı kaynakları bir araya getiriyorum ve takılıyoruz.

1. Hem soyut hem de uygulamalı birçok farklı açıklama okudum, ancak hala aklıma söylenenin ne anlama geldiğini sarmakta zorlanıyorum:

   KondB'de 1 birim artışla (yani, kategorik öngörücünün bir seviyesinden diğerine geçerek), Y = 5'e karşı Y = 1 ila 4'e karşı tahmin edilen olasılıklar (ve gözlenen Y = 4'e karşı tahmin edilen olasılıklar) Y = 1 ila 3), diyagram için exp (0.457) = 1.58 olan bir exp (beta) faktörü ile değişir.

   a. Bu, kategorik ve sürekli bağımsız değişkenler için farklı mıdır?
   b. Zorluğumun bir kısmı kümülatif ihtimaller fikri ve bu karşılaştırmalar olabilir. ... condA = yoktan (referans seviyesi) condA = günümüze geçmenin daha yüksek bir kolaylık düzeyinde derecelendirilmesinin 1.58 kat daha fazla olduğunu söylemek doğru mu? Bunun doğru OLMADIĞINDAN eminim, ancak doğru şekilde nasıl belirleyeceğimi bilmiyorum.

Grafiksel olarak,
1. Bu yazıdaki kodu uygulayarak, ortaya çıkan 'olasılık' değerlerinin neden bu kadar büyük olduğu konusunda kafam karıştı.
2. Bu yazıdaki p (Y = g) grafiği benim için en mantıklı ... belirli bir Y kategorisini belirli bir X değerinde gözlemleme olasılığının bir yorumuyla. ilk etapta grafik genel olarak sonuçları daha iyi anlamaktır.

İşte modelimin çıktısı:

m1c2 <- clmm (easiness ~ condA + condB + abilityA + abilityB + (1|content) + (1|ID), 
              data = d, na.action = na.omit)
summary(m1c2)
Cumulative Link Mixed Model fitted with the Laplace approximation

formula: 
easiness ~ illus2 + dx2 + abilEM_obli + valueEM_obli + (1 | content) +  (1 | ID)
data:    d

link  threshold nobs logLik  AIC    niter     max.grad
logit flexible  366  -468.44 956.88 729(3615) 4.36e-04
cond.H 
4.5e+01

Random effects:
 Groups  Name        Variance Std.Dev.
 ID      (Intercept) 2.90     1.70    
 content  (Intercept) 0.24     0.49    
Number of groups:  ID 92,  content 4 

Coefficients:
                Estimate Std. Error z value Pr(>|z|)    
condA              0.681      0.213    3.20   0.0014 ** 
condB              0.457      0.211    2.17   0.0303 *  
abilityA           1.148      0.255    4.51  6.5e-06 ***
abilityB           0.577      0.247    2.34   0.0195 *  

Threshold coefficients:
    Estimate Std. Error z value
1|2   -3.500      0.438   -7.99
2|3   -1.545      0.378   -4.08
3|4    0.193      0.366    0.53
4|5    2.121      0.385    5.50

Benim Regresyon Modelleme Stratejileri ders notları yardımcı olabilir sıralı regresyon iki bölümden oluşmaktadır. Ayrıca bu eğiticiye de bakın .

Ders notları, model varsayımlarının ne anlama geldiği, nasıl kontrol edildikleri ve takılan modelin nasıl yorumlanacağı hakkında ayrıntılara girer.