Misalkan kita memiliki respon ordinal dan seperangkat variabel yang kami pikir akan menjelaskan . Kami kemudian melakukan regresi logistik terurut (matriks desain) pada (respon).X : = [ x 1 , x 2 , x 3 ] y X y
Misalkan koefisien estimasi , sebut saja , dalam regresi logistik berurutan adalah . Bagaimana cara menginterpretasikan rasio odds (OR) dari ?
Apakah saya mengatakan "untuk peningkatan 1 unit di , ceteris paribus, peluang untuk mengamati adalah kali kemungkinan mengamati , dan untuk perubahan yang sama dalam , peluang mengamati adalah kali peluang mengamati "?
Saya tidak dapat menemukan contoh interpretasi koefisien negatif di buku teks atau Google saya.
logit
odds-ratio
ordered-logit
Nyonya
sumber
sumber
Jawaban:
Anda berada di jalur yang benar, tetapi selalu melihat dokumentasi perangkat lunak yang Anda gunakan untuk melihat model apa yang cocok. Asumsikan sebuah situasi dengan variabel dependen kategoris dengan kategori terurut dan prediktor .1 , ... , g , ... , k X 1 , ... , X j , ... ,Y 1,…,g,…,k X1,…,Xj,…,Xp
"Di alam liar", Anda dapat menemukan tiga pilihan yang setara untuk menulis model odds-proporsional teoretis dengan makna parameter tersirat yang berbeda:
(Model 1 dan 2 memiliki batasan bahwa dalam regresi logistik biner terpisah, tidak bervariasi dengan , dan , model 3 memiliki batasan yang sama tentang , dan mengharuskan )k−1 βj g β01<…<β0g<…<β0k−1 βj β02>…>β0g>…>β0k
Dengan asumsi perangkat lunak Anda menggunakan model 2 atau 3, Anda dapat mengatakan "dengan peningkatan 1 unitX1 , ceteris paribus, peluang prediksi untuk mengamati ' ' vs. mengamati ' 'berubah dengan faktor . ", dan juga" dengan peningkatan 1 unit pada , ceteris paribus, prediksi peluang untuk mengamati' 'vs. mengamati' 'berubah oleh faktor . " Perhatikan bahwa dalam kasus empiris, kami hanya memiliki peluang yang diprediksi, bukan yang sebenarnya.Y=Good Y=Neutral OR Bad eβ^1=0.607 X1 Y=Good OR Neutral Y=Bad eβ^1=0.607
Berikut adalah beberapa ilustrasi tambahan untuk model 1 dengan kategori. Pertama, asumsi model linier untuk log kumulatif dengan peluang proporsional. Kedua, probabilitas tersirat mengamati paling banyak kategori . Peluang mengikuti fungsi logistik dengan bentuk yang sama. gk=4 g
Untuk probabilitas kategori sendiri, model yang digambarkan menyiratkan fungsi-fungsi yang diurutkan berikut:
PS Setahu saya, model 2 digunakan dalam SPSS serta dalam fungsi R
MASS::polr()
danordinal::clm()
. Model 3 digunakan dalam fungsi Rrms::lrm()
danVGAM::vglm()
. Sayangnya, saya tidak tahu tentang SAS dan Stata.sumber
glm(..., family=binomial)
.