Vẽ và giải thích hồi quy logistic

Tôi có một biến phụ thuộc thứ tự, dễ dàng, dao động từ 1 (không dễ) đến 5 (rất dễ). Sự gia tăng các giá trị của các yếu tố độc lập có liên quan đến việc đánh giá mức độ dễ dàng tăng lên.

Hai trong số các biến độc lập của tôi ( condAvà condB) là phân loại, mỗi biến có 2 cấp độ và 2 ( abilityA, abilityB) là liên tục.

Tôi đang sử dụng gói thứ tự trong R, nơi nó sử dụng những gì tôi tin là

logit (p (Y ⩽ g)) = = \ln \frac{p (Y ⩽ g)}{p (Y > g)} = = β_{0_{g}} - (β_{1} X_{1} + \dots + β_{p} X_{p}) (g = = 1, Giáo dục, k - 1)

$\text{logit}(p(Y \leqslant g)) = \ln \frac{p(Y \leqslant g)}{p(Y > g)} = \beta_{0_g} - (\beta_{1} X_{1} + \dots + \beta_{p} X_{p}) \quad(g = 1, \ldots, k-1)$
(từ câu trả lời của @ caracal tại đây )

Tôi đã học điều này một cách độc lập và sẽ đánh giá cao bất kỳ sự giúp đỡ nào có thể vì tôi vẫn đang vật lộn với nó. Ngoài các hướng dẫn đi kèm với gói thứ tự, tôi cũng thấy những điều sau đây hữu ích:

Nhưng tôi đang cố gắng diễn giải các kết quả, và đặt các tài nguyên khác nhau lại với nhau và đang bị mắc kẹt.

Tôi đã đọc nhiều lời giải thích khác nhau, cả trừu tượng và áp dụng, nhưng tôi vẫn gặp khó khăn trong việc suy nghĩ về ý nghĩa của nó:

Với mức tăng 1 đơn vị của condB (nghĩa là thay đổi từ cấp độ này sang cấp độ tiếp theo của công cụ dự đoán phân loại), tỷ lệ dự đoán của việc quan sát Y = 5 so với Y = 1 đến 4 (cũng như tỷ lệ dự đoán của Y = 4 so với Y = 1 đến 3) thay đổi theo hệ số exp (beta), đối với sơ đồ, là exp (0.457) = 1.58.

a. Đây có phải là khác nhau cho các biến độc lập phân loại so với liên tục?
b. Một phần khó khăn của tôi có thể là với ý tưởng tỷ lệ cược tích lũy và những so sánh đó. ... Có công bằng không khi nói rằng việc đi từ condA = vắng mặt (mức tham chiếu) đến condA = hiện tại có khả năng được đánh giá cao hơn 1,58 lần ở mức độ dễ dàng hơn? Tôi khá chắc chắn rằng điều đó KHÔNG đúng, nhưng tôi không chắc làm thế nào để nói chính xác.

Về mặt đồ họa,
1. Thực hiện mã trong bài đăng này , tôi bối rối không hiểu tại sao giá trị 'xác suất' lại quá lớn.
2. Biểu đồ của p (Y = g) trong bài đăng này có ý nghĩa nhất đối với tôi ... với cách giải thích về xác suất quan sát một danh mục cụ thể của Y tại một giá trị cụ thể của X. Lý do tôi đang cố gắng để có được đồ thị ở vị trí đầu tiên là để hiểu rõ hơn về kết quả tổng thể.

Đây là đầu ra từ mô hình của tôi:

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

— jc7
nguồn

+1, thật tuyệt khi thấy một câu hỏi được nghiên cứu và xây dựng tốt như vậy. Chào mừng đến với CV.

— gung - Phục hồi Monica

Ghi chú khóa học Chiến lược mô hình hồi quy của tôi có hai chương về hồi quy thứ tự có thể giúp ích. Xem thêm hướng dẫn này .

Các ghi chú khóa học đi vào chi tiết về các giả định mô hình có nghĩa là gì, cách chúng được kiểm tra và cách diễn giải mô hình được trang bị.

— Frank Mitchell
nguồn