आप सही रास्ते पर हैं, लेकिन हमेशा उस सॉफ़्टवेयर के दस्तावेज़ीकरण पर एक नज़र डालें जिसका उपयोग आप यह देखने के लिए कर रहे हैं कि वास्तव में कौन सा मॉडल फिट है। आदेश श्रेणी 1 , … , g , … , k और भविष्यवाणियों X 1 , … , X j , … , X p के साथ एक श्रेणीगत निर्भर चर साथ एक स्थिति मान लें ।Y1,…,g,…,kX1,…,Xj,…,Xp
"द वाइल्ड" में, आप विभिन्न समान पैरामीटर के साथ सैद्धांतिक आनुपातिक-बाधाओं के मॉडल लिखने के लिए तीन समकक्ष विकल्पों का सामना कर सकते हैं:
- logit(p(Y⩽g))=lnp(Y⩽g)p(Y>g)=β0g+β1X1+⋯+βpXp(g=1,…,k−1)
- logit(p(Y⩽g))=lnp(Y⩽g)p(Y>g)=β0g−(β1X1+⋯+βpXp)(g=1,…,k−1)
- logit ( पी ( वाई)⩾ जी) ) = एल एनp ( Y⩾ जी)p ( Y< जी)= β0जी+ β1एक्स1+⋯+βpXp(g=2,…,k)
(मॉडल 1 और 2 में से प्रतिबंधित भी अलग द्विआधारी रसद प्रतिगमन, β जे के साथ अलग अलग नहीं है जी , और β 0 1 < ... < β 0 जी < ... < β 0 कश्मीर - 1 , मॉडल 3 है के बारे में एक ही प्रतिबंध β जे , और कहा कि आवश्यकता है β 0 2 > ... > β 0 ग्राम > ... > β 0 कश्मीर )k−1βjgβ01<…<β0g<…<β0k−1βjβ02>…>β0g>…>β0k
- मॉडल 1, एक सकारात्मक में का मतलब है कि भविष्यवक्ता में वृद्धि एक्स जे एक के लिए बढ़ा बाधाओं साथ जुड़ा हुआ है कम श्रेणी में वाई ।βjXjY
- मॉडल 1 कुछ हद तक उल्टा है, इसलिए मॉडल 2 या 3 सॉफ्टवेयर में पसंदीदा है। इधर, एक सकारात्मक का मतलब है कि भविष्यवक्ता में वृद्धि एक्स जे एक के लिए बढ़ा बाधाओं साथ जुड़ा हुआ है उच्च श्रेणी में वाई ।βjXjY
- मॉडल 1 और के लिए एक ही अनुमान के 2 लीड , लेकिन के लिए अपने अनुमानों β जे विपरीत संकेत है।β0gβj
- मॉडल 2 और के लिए एक ही अनुमानों के 3 नेतृत्व , लेकिन के लिए अपने अनुमानों β 0 जी Have विपरीत संकेत।βjβ0g
मान लें कि आपके सॉफ़्टवेयर में मॉडल 2 या 3 का उपयोग किया गया है, तो आप कह सकते हैं " में 1 यूनिट वृद्धि के साथ , ceteris paribus, ' Y = Good ' बनाम ' Y = न्यूट्रल या बैड ' के अवलोकन के पूर्वानुमानित पूर्वानुमान , एक कारक के परिवर्तन से ई β 1 = .607 । ", और इसी तरह" में एक 1 यूनिट वृद्धि के साथ एक्स 1 , paribus, ceteris भविष्यवाणी 'अवलोकन की बाधाओं Y = अच्छा या तटस्थ ' 'को देख बनाम वाई = बुरा का एक पहलू से' परिवर्तन ई βX1Y=GoodY=Neutral OR Badeβ^1=0.607X1Y=Good OR NeutralY=Bad। "ध्यान दें कि अनुभवजन्य मामले में, हमारे पास केवल अनुमानित संभावनाएं हैं, वास्तविक नहीं।eβ^1=0.607
यहां श्रेणियों के साथ मॉडल 1 के लिए कुछ अतिरिक्त चित्र दिए गए हैं । सबसे पहले, आनुपातिक बाधाओं के साथ संचयी लॉग के लिए एक रैखिक मॉडल की धारणा। दूसरा, अधिकांश श्रेणी जी में अवलोकन की निहित संभावनाएं । संभावनाएं एक ही आकार के साथ लॉजिस्टिक कार्यों का पालन करती हैं।
k=4g
स्वयं श्रेणी की संभावनाओं के लिए, दर्शाया गया मॉडल निम्नलिखित आदेशित कार्यों का अर्थ है:
PS मेरी जानकारी के लिए, मॉडल 2 का उपयोग SPSS के साथ-साथ R फ़ंक्शन MASS::polr()
और में किया जाता है ordinal::clm()
। मॉडल 3 का उपयोग आर कार्यों में किया जाता है rms::lrm()
और VGAM::vglm()
। दुर्भाग्य से, मैं एसएएस और स्टाटा के बारे में नहीं जानता।