我有一个序数相关变量,易用性,范围从1(不容易)到5(非常容易)。独立因子值的增加与易用性等级的提高相关。
我的两个自变量(condA
和condB
)是分类的,每个具有2个级别,而2(abilityA
,abilityB
)是连续的。
我在R中使用了序数包,它使用了我认为是的
(来自@狞的答案在这里)
我一直在独立地学习这一点,并希望在我仍在努力的过程中提供任何帮助。除了序数包随附的教程外,我还发现以下内容会有所帮助:
但是我试图解释结果,并将不同的资源放在一起,并陷入困境。
我已经阅读了许多不同的解释,包括抽象的和应用的,但仍然很难理解要说的是什么:
随着condB增加1单位(即,从分类预测器的一个级别更改为下一个级别),观察Y = 5与Y = 1到4的预测几率(以及观察到的Y = 4与Y = 1到3)的变化系数为exp(beta),例如,exp(0.457)= 1.58。
一种。类别自变量和连续自变量是否有所不同?
b。我的部分困难可能在于累积赔率的想法和那些比较。...公平地说,从更高的难易程度进行评估,从condA =缺失(参考水平)到condA =存在的可能性是1.58倍吗?我很确定这是不正确的,但是我不确定如何正确地陈述它。
从图形上看,
1,实施代码这篇文章,我很困惑,为什么产生的“概率”的值是如此之大。
2. P(Y = G)中的图表这篇文章是很有道理的,我...与观察的Y特定类别在X的一个特定的值,我试图让理性的概率的解释首先,该图是为了更好地了解整体结果。
这是我的模型的输出:
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
4
+1,很高兴看到如此精心研究和制定的问题。欢迎来到简历。
—
gung-恢复莫妮卡