मेरे पास एक अध्यादेश पर निर्भर चर, सहजता है, जो 1 (आसान नहीं) से लेकर 5 (बहुत आसान) तक है। स्वतंत्र कारकों के मूल्यों में वृद्धि एक बढ़ी हुई सुगमता रेटिंग के साथ जुड़ी हुई है।
मेरे दो स्वतंत्र चर ( condAऔर condB) श्रेणीबद्ध हैं, प्रत्येक में 2 स्तर हैं, और 2 ( abilityA, abilityB) निरंतर हैं।
मैं आर में ऑर्डिनल पैकेज का उपयोग कर रहा हूं , जहां यह वह उपयोग करता है जो मैं मानता हूं
(@ काराकाल के उत्तर से यहाँ )
मैं इसे स्वतंत्र रूप से सीख रहा हूं और किसी भी संभव मदद की सराहना करूंगा क्योंकि मैं अभी भी इसके साथ संघर्ष कर रहा हूं। अध्यादेशीय पैकेज के साथ आने वाले ट्यूटोरियल के अलावा, मैंने निम्नलिखित को भी उपयोगी पाया है:
लेकिन मैं परिणामों की व्याख्या करने की कोशिश कर रहा हूं, और विभिन्न संसाधनों को एक साथ रखा है और अटक रहा हूं।
मैंने कई अलग-अलग व्याख्याएं पढ़ी हैं, दोनों अमूर्त और लागू हैं, लेकिन अभी भी मेरे दिमाग में एक कठिन समय चल रहा है कि इसका क्या मतलब है:
कंडब में 1 यूनिट वृद्धि के साथ (यानी, श्रेणीगत भविष्यवक्ता के एक स्तर से बदलते हुए), Y = 5 बनाम Y = 1 से 4 (साथ ही साथ देखे गए Y - 4 बनाम की भविष्यवाणी की गई संभावनाएं) की भविष्यवाणी की संभावनाएं Y = 1 से 3) ऍक्स्प (बीटा) के एक कारक द्वारा परिवर्तन जो आरेख के लिए, एक्सप (0.457) = 1.58 है।
ए। क्या यह श्रेणीबद्ध बनाम निरंतर स्वतंत्र चर के लिए अलग है?
ख। मेरी कठिनाई का हिस्सा संचयी बाधाओं के विचार और उन तुलनाओं के साथ हो सकता है। ... क्या यह कहना उचित है कि कॉन्डा = अनुपस्थित (रेफरेंस लेवल) से कॉन्डा = प्रेजेंट तक जाना उच्चतर स्तर की सादगी से 1.58 गुना अधिक है? मुझे पूरा यकीन है कि यह सही नहीं है, लेकिन मुझे यकीन नहीं है कि इसे सही ढंग से कैसे बताया जाए।
आलेखीय रूप से,
1. इस पोस्ट में कोड को लागू करते हुए , मैं उलझन में हूँ कि परिणामी 'संभाव्यता' मान इतने बड़े क्यों हैं।
2. इस पोस्ट में p (Y = g) का ग्राफ मेरे लिए सबसे ज्यादा मायने रखता है ... एक्स के एक विशेष मूल्य पर वाई की एक विशेष श्रेणी के अवलोकन की संभावना की व्याख्या के साथ। जिस कारण से मैं पाने की कोशिश कर रहा हूं पहली जगह में ग्राफ समग्र परिणामों की बेहतर समझ प्राप्त करना है।
यहाँ मेरे मॉडल से आउटपुट है:
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