není mnoho statistických metod určených pouze pro pořadové proměnné.

ale to neznamená, že máte několik možností. Je jich víc, než byste si mysleli.

některé jsou lepší než jiné, ale záleží na situaci a výzkumných otázkách.

zde je pět možností, pokud je závislá proměnná ordinální.

považujte pořadové proměnné za nominální

pořadové proměnné jsou zásadně kategorické. Jednou z jednoduchých možností je ignorovat pořadí v kategoriích proměnné a považovat ji za nominální. Existuje mnoho možností pro analýzu kategorických proměnných, které nemají žádný řád.

to může mít pro některé proměnné velký smysl. Například, když existuje několik kategorií a pořadí není ústředním bodem výzkumné otázky.

největší výhodou tohoto přístupu je, že neporušíte žádné předpoklady.

zacházejte s pořadovými proměnnými jako s číselnými

protože uspořádání kategorií je často ústředním bodem výzkumné otázky, mnoho analytiků dat dělá opak: ignorujte skutečnost, že pořadová proměnná ve skutečnosti není číselná, a zacházejte s číslicemi, které označují každou kategorii, jako se skutečnými čísly.

tento přístup vyžaduje předpoklad, že vzdálenost mezi každou sadou následujících kategorií je stejná. A to může být velmi obtížné ospravedlnit.

takže přemýšlejte dlouho a tvrdě o tom, zda jste schopni tento předpoklad ospravedlnit.

neparametrické testy

některé dobré zprávy: existují i jiné možnosti.

mnoho neparametrických popisných statistik je založeno na číselných hodnotách. Hodnosti jsou samy o sobě pořadové-říkají vám informace o pořadí, ale žádná vzdálenost mezi hodnotami.

stejně jako ostatní pořadové proměnné.

takže zatímco tyto testy považujeme za užitečné pro numerická data, která nejsou normální nebo mají odlehlé hodnoty, fungují také pro pořadové proměnné, zejména pokud existuje více než jen několik uspořádaných kategorií.mezi běžné neparametrické testy založené na ranku patří Kruskal-Wallis, Spearmanova korelace, Wilcoxon-Mann-Whitney a Friedman.

každý test má specifickou statistiku testu založenou na těchto hodnoceních, v závislosti na tom, zda test porovnává skupiny nebo měří asociaci.

omezení těchto testů je, že jsou docela základní. Určitě můžete porovnávat skupiny jednosměrným stylem ANOVA nebo měřit korelaci, ale nemůžete jít nad to. Nemůžete například zahrnout interakce mezi dvěma nezávislými proměnnými nebo zahrnout kovariáty.

k tomu potřebujete skutečný model.

Ordinální logistické & probitové regrese

není mnoho testů, které jsou nastaveny jen pro ordinální proměnné, ale existuje několik. Jedním z nejčastěji používaných je ordinální modely pro logistickou (nebo probit) regresi.

existuje několik různých způsobů, jak specifikovat funkci logit link tak, aby zachovala uspořádání v závislé proměnné. Nejčastěji dostupným softwarem je funkce kumulativního propojení, která umožňuje měřit vliv prediktorů na šance na přechod do jakékoli další nejvyšší kategorie.

tyto modely jsou složité, mají své vlastní předpoklady a mohou interpretovat nějakou praxi. Ale jsou také někdy přesně to, co potřebujete.

jsou velmi dobrým nástrojem, který máte ve své statistické sadě nástrojů.

Rank transformace

Další model-based přístup v sobě spojuje výhody ordinální logistické regrese a jednoduchost rank-založené non-parametrics.

základní myšlenkou je transformace hodnosti: transformujte každé pořadové skóre výsledku do hodnosti tohoto skóre a spusťte regresi, obousměrnou ANOVU nebo jiný model na těchto hodnostech.

Nezapomeňte však, že všechny výsledky je třeba interpretovat z hlediska hodností. Stejně jako transformace protokolu na závislé proměnné umístí všechny prostředky a koeficienty na stupnici protokolu(DV), transformace hodnosti umístí vše na stupnici hodnosti. Vaše interpretace budou o průměrných řadách, ne prostředky.

Binární, Ordinální a Multinomické Logistické Regrese pro Kategorické Výsledky

Dostat se za frustraci z učení kurzy poměry, logit link funkce, a proporcionální šance, předpoklady na své vlastní. Podívejte se na neuvěřitelnou užitečnost logistické regrese a kategorické analýzy dat v tomto hodinovém tréninku.