如何将序数分类变量作为自变量处理

我正在使用Logit模型。我的因变量是二进制。但是，我有一个独立变量，该变量是分类的并包含响应：1.very good, 2.good, 3.average, 4.poor and 5.very poor。因此，它是序数（“定量分类”）。我不确定如何在模型中处理此问题。我正在使用gretl。

[@ttnphns的注：尽管问题说模型是logit的（因为因数是分类的），但关键问题-序数自变量-基本上是相同的，无论是分类还是定量的因数。因此，这个问题也与线性回归同样相关-与逻辑回归或其他logit模型一样。]

序数自变量的问题在于，根据定义，由于其级别之间的真实度量间隔是未知的，因此除伞形“单调”之外，不能假定任何适当的类型关系。例如，我们必须对此做些事情-“筛选或组合变体”或“更喜欢使某物最大化的东西”。

如果您坚持将IV级的Likert等级视为序数（而不是区间或标称），那么我有两种选择。

1. 使用多项式对比，即模型中使用的每个此类预测变量不仅线性输入，而且平方和三次输入。因此，不仅可以捕获线性效果，而且可以捕获更一般的单调效果（线性效果对应于保持为标度/间隔的预测变量，而其他两个效果则将其视为具有不相等的间隔）。此外，还可以输入每个预测变量的虚拟变量，这将测试名义/阶乘效应。最后，您知道预测变量充当因子的程度，线性协变量的数量以及非线性协变量的数量。在几乎所有回归（线性，逻辑，其他广义线性模型）中，此选项都很容易实现。它将消耗df，因此样本大小应足够大。
2. 使用最佳缩放比例回归。这种方法将一个有序预测变量单调转换为一个间隔预测变量，从而最大化对预测变量的线性影响。CATREG（分类回归）是SPSS中此思想的实现。您的特定情况的一个问题是您想进行逻辑分析，而不是线性回归，但是CATREG不是基于logit模型的。我认为这个障碍相对较小，因为您的预测仅为2类（二进制）：我的意思是您可能仍会使用CATREG进行最佳缩放，然后使用获得的转换尺度预测器进行最终logistic回归。
3. 还应注意，在简单的一种比例或序数DV和一种序数IV的Jonckheere-Terpstra检验的简单情况下，它可能是一种合理的分析方法，而不是回归方法。

也可能有其他建议。以上三个是我立即想到您的问题时想到的。

让我建议您也访问以下主题：标称和小数或序数之间的关联；在序数和标度之间关联。尽管它们与特定回归无关，但它们可能会有所帮助。

但是，这些线程是关于回归，特别是物流：你必须进去看看：一个，2，3，4，5。

只需添加其他出色的答案即可：一种现代的处理方式可能是通过加法模型，通过样条线表示有序自变量。如果您确定该变量的效果是单调的，则可以限制为单调样条。（有关使用的单调样条曲线的示例，请参见寻找适合S型曲线的函数）。

在R中，如果将顺序预测变量ord <- factor(sample(1:5,20,replace=TRUE),ordered=TRUE) 设为“有序因子”（例如使用code ），则在线性模型中，它将通过正交多项式表示。

$k-1$$k$