順序変数を分析する5つの方法（他のものよりも優れています）
順序変数だけのために設計された統計的方法はあまりありません。しかし、それはあなたがいくつかのオプションで立ち往生していることを意味するものではありません。
しかし、それはあなたがいくつかの あなたが思う以上のものがあります。いくつかは他のものよりも優れていますが、それは状況や研究の質問に依存します。
従属変数が序数の場合、次の5つのオプションがあります。
序数変数を名目として扱う
序数変数は基本的にカテゴリ的です。 簡単なオプションの1つは、変数のカテゴリ内の順序を無視して、それを名目として扱うことです。 順序のないカテゴリ変数を分析するための多くのオプションがあります。これはいくつかの変数にとって多くの意味を持つことができます。
これは、いくつかの変数のために多くの意味を たとえば、カテゴリが少なく、その順序が研究の問題の中心ではない場合などです。このアプローチの最大の利点は、仮定に違反しないことです。
順序変数を数値として扱います
カテゴリの順序付けは研究の問題の中心であることが多いため、多くのデータアナリストは逆を行います: 序数変数が実際には数値ではないという事実を無視し、各カテゴリを実際の数値として指定する数字を扱います。
このアプローチでは、後続のカテゴリの各セット間の距離が等しいという仮定が必要です。 そして、それは正当化することは非常に困難なことができます。だから、あなたがこの仮定を正当化できるかどうかについて長く懸命に考えてください。
ノンパラメトリック検定
いくつかの良いニュース：他のオプションがあります。
多くのノンパラメトリック記述統計は、ランキング数値に基づいています。 ランクはそれ自体が序数であり、順序に関する情報を伝えますが、値間の距離はありません。
他の序数変数と同じように。
したがって、これらの検定は、非正規であるか、外れ値を持つ数値データに対して有用であると考えていますが、特に順序付きカテゴリがいくつか
一般的なランクベースのノンパラメトリック検定には、Kruskal-Wallis、Spearman correlation、Wilcoxon-Mann-Whitney、Friedmanが含まれます。
各検定は、検定がグループを比較しているのか、関連性を測定しているのかに応じて、これらのランクに基づいて特定の検定統計量を持ちます。
しかし、これらのテストの制限はかなり基本的なものです。
確かに、グループの一方向ANOVAスタイルを比較したり、相関を測定したりすることはできますが、それを超えることはできません。 たとえば、2つの独立変数間の交互作用を含めたり、共変量を含めたりすることはできません。それを行うには実際のモデルが必要です。
序数ロジスティック&プロビット回帰
序数変数だけに設定されているテストはあまりありませんが、いくつかあります。 最も一般的に使用されるのは、ロジスティック（またはプロビット）回帰のための順序モデルです。従属変数の順序を保持するように、logitリンク関数を指定するには、いくつかの異なる方法があります。 ソフトウェアで最も一般的に使用できるのは、累積リンク関数で、次の順序付けられたカテゴリに移動する確率に対する予測子の効果を測定できます。
これらのモデルは複雑であり、独自の仮定を持ち、解釈するためにいくつかの練習を取ることができます。 しかし、彼らは時にはあなたが必要とするものでもあります。彼らはあなたの統計ツールボックスに持っている非常に良いツールです。
ランク変換
別のモデルベースのアプローチは、順序ロジスティック回帰の利点とランクベースのノンパラメトリクスの単純さを兼ね備えて各順序結果スコアをそのスコアのランクに変換し、それらのランクに対して回帰、双方向ANOVA、または他のモデルを実行します。
基本的な考え方は、しかし、覚えておくべきことは、すべての結果をランクの観点から解釈する必要があるということです。
従属変数の対数変換がすべての平均と係数を対数(DV)スケールに置くのと同じように、ランク変換はすべてをランクスケールに置きます。 あなたの解釈は平均ランクではなく平均ランクになるでしょう。Div>
Leave a Reply