1 (쉽지 않음)에서 5 (매우 쉽지 않음) 범위의 서수 종속 변수, 용이성을 가지고 있습니다. 독립 요인의 값이 증가하면 용이성 등급이 높아집니다.
내 독립 변수 중 두 개 ( condA
및 condB
)는 범주 형이며, 각각 2 개의 레벨이 있으며 2 ( abilityA
, abilityB
)는 연속적입니다.
R 에서 서수 패키지를 사용하고 있습니다.
(@caracal의 답변은 here )
나는 이것을 독립적으로 배우고 있으며 여전히 어려움을 겪고있어 가능한 모든 도움을 주셔서 감사합니다. 서수 패키지와 함께 제공되는 자습서 외에도 다음 사항이 도움이된다는 것을 알았습니다.
그러나 나는 결과를 해석하려고 노력하고 있으며 다른 자원을 모으고 붙어 있습니다.
나는 추상적이고 적용되는 많은 다른 설명을 읽었지만 여전히 내 말을 의미하는 것에 내 마음을 감싸는 데 어려움을 겪고 있습니다.
condB가 1 단위 증가하면 (즉, 범주 형 예측 변수의 한 수준에서 다음 수준으로 변경) 관찰 된 Y = 5 대 Y = 1 ~ 4의 예측 확률 (예측 된 Y = 4 대 예측 확률) Y = 1 ~ 3) exp (베타)의 팩터에 의한 변화는 다이어그램에서 exp (0.457) = 1.58입니다.
ㅏ. 범주 형 변수와 연속 형 독립 변수의 차이가 있습니까?
비. 내 어려움의 일부는 누적 승산 아이디어와 비교와 관련이 있습니다. ... condA = 부재 (참조 수준)에서 condA = 현재로 갈수록 높은 수준의 용이함에서 평가 될 가능성이 1.58 배 더 높다고 말하는 것이 공정합니까? 나는 그것이 정확하지 않다고 확신하지만, 그것을 올바르게 진술하는 방법을 모르겠습니다.
그래픽으로,
1. 이 포스트 의 코드를 구현하면서 결과 '확률'값이 왜 그렇게 큰지 혼란스러워합니다.
2. 이 글 에서 p (Y = g)의 그래프는 나에게 가장 의미가 있습니다. 특정 X 범주에서 Y의 특정 범주를 관찰 할 확률을 해석 한 결과입니다. 우선 그래프는 전체 결과를 더 잘 이해하는 것입니다.
내 모델의 출력은 다음과 같습니다.
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