Sử dụng một tập hợp hồi quy logistic nhị phân với biến trả lời phân loại nhiều lựa chọn

Tôi có dữ liệu khảo sát phân loại về thái độ của mọi người đối với một lĩnh vực chính sách nhất định từ 13 quốc gia. Biến trả lời là phân loại và bao gồm 4 câu trả lời riêng biệt không thể đặt hàng.

Tôi muốn xây dựng một mô hình đa phương thức đánh chặn ngẫu nhiên và độ dốc ngẫu nhiên đa cấp. Vấn đề là, số lượng các trường hợp cấp 2 chỉ là 13, và mô hình không hội tụ, ít nhất là không ở dạng đa thức của nó.

Vì vậy, là một lựa chọn tốt thứ hai, tôi nghĩ về việc mã hóa biến trả lời thành dạng nhị phân, chạy một loạt các hồi quy logistic đa cấp, và sau đó sử dụng các xác suất dự đoán để chỉ ra xác suất mà một loại lợi ích nhất định sẽ được chọn trên các biến giải thích của tôi. Đây rõ ràng chỉ là một lựa chọn tốt thứ hai. Tôi muốn biết những rủi ro có thể xảy ra khi thực hiện phương pháp này và những phản đối nào (từ người đánh giá, người giám sát, v.v.) tôi nên mong đợi.

Sự lựa chọn giữa một đa thức và một loạt các hồi quy logistic trong hầu hết các trường hợp tương đối giả tạo. Vì trong cả hai cách tiếp cận, bạn chọn một loại cơ sở (tham chiếu) liên quan đến tỷ lệ chênh lệch của tất cả các loại khác, nên thường không có vấn đề gì nếu bạn có loại này hoặc loại kia nếu loại tham chiếu vẫn bằng nhau. Điều không mong muốn lớn nhất là bạn không thể kiểm tra các hạn chế tham số đồng thời trên các mô hình logistic, điều này khá đơn giản trong trường hợp đa phương thức.

Tuy nhiên, tôi khuyên bạn không nên sử dụng các hiệu ứng ngẫu nhiên với 13 quốc gia (đơn vị cấp 2), xem ví dụ: https://www.statmodel.com/doad/SRM2012.pdf .

Cách khác là sử dụng mô hình hiệu ứng cố định, trong đó bạn bao gồm một hình nộm cho mỗi quốc gia (trừ 1). Nhược điểm lớn nhất của prcedure này là thử nghiệm các hiệu ứng cấp vĩ mô là không khả thi. nếu bạn không có bất kỳ giả thuyết nào về vấn đề này, tôi sẽ sử dụng mô hình đa phương thức hiệu ứng cố định.

Tôi khuyến khích bạn chạy phân tích này trong một mô hình (trong AMOS) và tôi không nghĩ cấu trúc dữ liệu của bạn có vấn đề (ví dụ: Maas, CJM & Hox, JJ (2005) Đủ cỡ mẫu cho mô hình đa cấp. Phương pháp, 1 , 86-92.). Khi bạn chạy một số mô hình trên cùng một tập dữ liệu, bạn sẽ tăng cơ hội mắc lỗi loại I (tối thiểu bạn sẽ cần sử dụng Bonferroni Correction; được coi là một kỹ thuật bảo thủ).