Öt módszer az ordinális változók elemzésére (néhány jobb, mint mások)
nincs sok statisztikai módszer, amelyet csak az ordinális változókra terveztek.
de ez nem jelenti azt, hogy kevés lehetőséggel ragadtál meg. Több van, mint gondolnád.
egyesek jobbak, mint mások, de ez a helyzettől és a kutatási kérdésektől függ.
itt van öt lehetőség, ha a függő változó ordinális.
A sorváltozók névleges
Sorváltozók alapvetően kategorikusak. Az egyik egyszerű lehetőség az, hogy figyelmen kívül hagyjuk a változó kategóriáinak sorrendjét, és névleges értékként kezeljük. Számos lehetőség van a kategorikus változók elemzésére, amelyeknek nincs sorrendje.
Ez lehet, hogy egy csomó értelme bizonyos változók. Például, ha kevés kategória van, és a sorrend nem Központi a kutatási kérdés szempontjából.
ennek a megközelítésnek a legnagyobb előnye, hogy nem sért semmilyen feltételezést.
kezelje a sorváltozókat numerikus
mivel a kategóriák sorrendje gyakran központi szerepet játszik a kutatási kérdésben, sok adatelemző az ellenkezőjét teszi: figyelmen kívül hagyja azt a tényt, hogy a sorszámváltozó valójában nem numerikus, és kezelje azokat a számokat, amelyek minden kategóriát tényleges számokként jelölnek meg.
Ez a megközelítés megköveteli azt a feltételezést, hogy a következő kategóriák minden egyes csoportja közötti távolság egyenlő. És ezt nagyon nehéz lehet igazolni.
tehát gondolkodj sokáig és keményen arról, hogy képes vagy-e igazolni ezt a feltételezést.
nem parametrikus tesztek
néhány jó hír: vannak más lehetőségek is.
sok nem parametrikus leíró statisztika a numerikus értékek rangsorolásán alapul. A rangok maguk is rendesek–információt adnak a sorrendről, de nincs távolság az értékek között.
csakúgy, mint más ordinális változók.
Tehát miközben úgy gondoljuk, hogy ezek a tesztek hasznosak olyan numerikus adatokhoz, amelyek nem normálisak vagy kiugróak, az ordinális változók esetében is működnek, különösen akkor, ha több, mint néhány rendezett kategória van.
közös rang-alapú nem parametrikus tesztek közé tartozik a Kruskal-Wallis, A Spearman correlation, a Wilcoxon-Mann-Whitney és a Friedman.
minden tesztnek van egy meghatározott tesztstatisztikája ezen rangok alapján, attól függően, hogy a teszt összehasonlítja-e a csoportokat vagy megméri-e a társulást.
ezeknek a teszteknek a korlátozása azonban elég alapvető. Persze lehet összehasonlítani csoportok egyirányú ANOVA stílus vagy mérni a korreláció, de nem lehet túlmenni, hogy. Nem lehet például két független változó közötti kölcsönhatásokat felvenni, vagy kovariánsokat felvenni.
ehhez valódi modellre van szüksége.
Ordinal logistic & probit regresszió
nincs sok olyan teszt, amely csak az ordinal változókra van beállítva,de van néhány. Az egyik leggyakrabban használt a logisztikus (vagy probit) regresszió ordinális modelljei.
a logit link funkció megadásának néhány különböző módja van, hogy megőrizze a rendelést a függő változóban. A szoftverben a leggyakrabban elérhető a kumulatív link funkció, amely lehetővé teszi a prediktorok hatásának mérését a következő legmagasabb rendű kategóriába való áttérés esélyeire.
ezek a modellek összetettek, saját feltételezéseik vannak, és némi értelmezési gyakorlatot is igénybe vehetnek. De néha pontosan az is, amire szüksége van.
Ezek egy nagyon jó eszköz, hogy a statisztikai eszköztár.
rank transzformációk
egy másik modell alapú megközelítés ötvözi az ordinális logisztikus regresszió előnyeit és a rang-alapú nem parametrikák egyszerűségét.
Az alapötlet egy rangsor-transzformáció: alakítsa át az egyes sorvégeredmények pontszámát a pontszám rangjára, és futtassa a regressziót, a kétirányú ANOVA-t vagy más modellt ezeken a sorokon.
a dolog, hogy emlékezzen, bár, hogy minden eredményt kell értelmezni szempontjából a soraiban. Csakúgy, mint egy függő változó naplótranszformációja az összes eszközt és együtthatót egy log(DV) skálára helyezi, a rang transzformáció mindent rangsor skálára helyez. Az értelmezéseid az átlagos rangokról fognak szólni, nem pedig az eszközökről.
Leave a Reply