nu există o mulțime de metode statistice concepute doar pentru variabilele ordinale.

dar asta nu înseamnă că ești blocat cu puține opțiuni. Sunt mai multe decât ai crede.

unele sunt mai bune decât altele, dar depinde de situația și întrebările de cercetare.

aici sunt cinci opțiuni atunci când variabila dependentă este ordinal.

tratați variabilele ordinale ca nominale

variabilele ordinale sunt fundamental categorice. O opțiune simplă este să ignorați ordinea din categoriile variabilei și să o tratați ca nominală. Există multe opțiuni pentru analizarea variabilelor categorice care nu au ordine.

Acest lucru poate face o mulțime de sens pentru unele variabile. De exemplu, atunci când există puține categorii și ordinea nu este esențială pentru întrebarea de cercetare.

cel mai mare avantaj al acestei abordări este că nu veți încălca nicio presupunere.

tratează variabilele ordinale ca numerice

deoarece ordonarea categoriilor este adesea esențială pentru întrebarea de cercetare, mulți analiști de date fac contrariul: ignorați faptul că variabila ordinală nu este într-adevăr numerică și tratați cifrele care desemnează fiecare categorie ca numere reale.

această abordare necesită presupunerea că distanța dintre fiecare set de categorii ulterioare este egală. Și asta poate fi foarte greu de justificat.

deci, gândiți-vă mult și greu dacă sunteți în stare să justificați această presupunere.

teste non-parametrice

câteva vești bune: există și alte opțiuni.

multe statistici descriptive non-parametrice se bazează pe clasarea valorilor numerice. Rangurile sunt ele însele ordinale-vă spun informații despre ordine, dar nici o distanță între valori.

la fel ca alte variabile ordinale.Deci, în timp ce ne gândim la aceste teste ca fiind utile pentru datele numerice care nu sunt normale sau au valori aberante, ele funcționează și pentru variabilele ordinale, mai ales atunci când există mai mult decât câteva categorii ordonate.testele non-parametrice bazate pe ranguri comune includ Kruskal-Wallis, corelația Spearman, Wilcoxon-Mann-Whitney și Friedman.

fiecare test are o statistică specifică bazată pe aceste ranguri, în funcție de faptul dacă testul este compararea grupurilor sau măsurarea unei asociații.

limitarea acestor teste, totuși, este că sunt destul de elementare. Sigur că puteți compara grupuri unidirecționale stil ANOVA sau măsura o corelație, dar nu se poate merge dincolo de asta. Nu puteți, de exemplu, să includeți interacțiuni între două variabile independente sau să includeți covariabile.

ai nevoie de un model real pentru a face asta.

Logistica ordinală& regresia probitului

nu există multe teste care sunt configurate doar pentru variabilele ordinale, dar există câteva. Unul dintre cele mai frecvent utilizate sunt modelele ordinale pentru regresia logistică (sau probit).

există câteva moduri diferite de specificare a funcției logit link, astfel încât să păstreze ordonarea în variabila dependentă. Cel mai frecvent disponibil în software este funcția de legătură cumulativă, care vă permite să măsurați efectul predictorilor asupra șanselor de a vă deplasa în orice categorie următoare cea mai ordonată.

aceste modele sunt complexe, au propriile lor presupuneri, și poate lua unele practici pentru a interpreta. Dar ele sunt, de asemenea, uneori exact ceea ce aveți nevoie.

sunt un instrument foarte bun pentru a avea în caseta de instrumente statistice.

transformări de rang

o altă abordare bazată pe model combină avantajele regresiei logistice ordinale și simplitatea non-parametrilor bazați pe rang.

ideea de bază este o transformare de rang: transformați fiecare scor de rezultat ordinal în rangul acelui scor și rulați regresia, ANOVA bidirecțională sau alt model pe acele rânduri.

lucrul de reținut este însă că toate rezultatele trebuie interpretate în termeni de ranguri. La fel cum o transformare a jurnalului pe o variabilă dependentă pune toate mijloacele și coeficienții pe o scară de jurnal(DV), transformarea rangului pune totul pe o scară de rang. Interpretările tale vor fi despre grade medii, nu mijloace.

regresie logistică binară, ordinală și multinomială pentru rezultate categorice

treceți dincolo de frustrarea raporturilor de cote de învățare, a funcțiilor logit link și a ipotezelor de cote proporționale pe cont propriu. Vedeți utilitatea incredibilă a regresiei logistice și a analizei categorice a datelor în acest training de o oră.