Я использовал функцию 'polr' в пакете MASS, чтобы запустить порядковую логистическую регрессию для порядковой категориальной переменной ответа с 15 непрерывными объясняющими переменными.
Я использовал код (показанный ниже), чтобы проверить, что моя модель соответствует предположению о пропорциональных шансах, следуя советам, приведенным в руководстве UCLA . Тем не менее, я немного беспокоюсь о том, что выходные данные подразумевают, что не только коэффициенты в различных точках среза одинаковы, но они абсолютно одинаковы (см. Рисунок ниже).
FGV1b <- data.frame(FG1_val_cat=factor(FGV1b[,"FG1_val_cat"]),
scale(FGV1[,c("X","Y","Slope","Ele","Aspect","Prox_to_for_FG",
"Prox_to_for_mL", "Prox_to_nat_border", "Prox_to_village",
"Prox_to_roads", "Prox_to_rivers", "Prox_to_waterFG",
"Prox_to_watermL", "Prox_to_core", "Prox_to_NR", "PCA1",
"PCA2", "PCA3")]))
b <- polr(FG1_val_cat ~ X + Y + Slope + Ele + Aspect + Prox_to_for_FG +
Prox_to_for_mL + Prox_to_nat_border + Prox_to_village +
Prox_to_roads + Prox_to_rivers + Prox_to_waterFG +
Prox_to_watermL + Prox_to_core + Prox_to_NR,
data=FGV1b, Hess=TRUE)
Просмотр сводки модели:
summary(b)
(ctableb <- coef(summary(b)))
q <- pnorm(abs(ctableb[, "t value"]), lower.tail=FALSE) * 2
(ctableb <- cbind(ctableb, "p value"=q))
А теперь мы можем взглянуть на доверительные интервалы для оценки параметров:
(cib <- confint(b))
confint.default(b)
Но эти результаты все еще трудно интерпретировать, поэтому давайте переведем коэффициенты в отношения шансов
exp(cbind(OR=coef(b), cib))
Проверка предположения. Таким образом, следующий код оценит значения, которые будут отображены. Сначала он показывает нам логит-преобразования вероятностей того, что они больше или равны каждому значению целевой переменной
FG1_val_cat <- as.numeric(FG1_val_cat)
sf <- function(y) {
c('VC>=1' = qlogis(mean(FG1_val_cat >= 1)),
'VC>=2' = qlogis(mean(FG1_val_cat >= 2)),
'VC>=3' = qlogis(mean(FG1_val_cat >= 3)),
'VC>=4' = qlogis(mean(FG1_val_cat >= 4)),
'VC>=5' = qlogis(mean(FG1_val_cat >= 5)),
'VC>=6' = qlogis(mean(FG1_val_cat >= 6)),
'VC>=7' = qlogis(mean(FG1_val_cat >= 7)),
'VC>=8' = qlogis(mean(FG1_val_cat >= 8)))
}
(t <- with(FGV1b, summary(as.numeric(FG1_val_cat) ~ X + Y + Slope + Ele + Aspect +
Prox_to_for_FG + Prox_to_for_mL + Prox_to_nat_border +
Prox_to_village + Prox_to_roads + Prox_to_rivers +
Prox_to_waterFG + Prox_to_watermL + Prox_to_core +
Prox_to_NR, fun=sf)))
В приведенной выше таблице показаны (линейные) прогнозируемые значения, которые мы получили бы, если бы мы регрессировали нашу зависимую переменную по нашим переменным предиктора по одному, без предположения о параллельных наклонах. Итак, теперь мы можем запустить серию бинарных логистических регрессий с различными точками нарезки на зависимой переменной, чтобы проверить равенство коэффициентов на точках нарезки
par(mfrow=c(1,1))
plot(t, which=1:8, pch=1:8, xlab='logit', main=' ', xlim=range(s[,7:8]))
Извиняюсь за то, что я не эксперт по статистике и, возможно, мне здесь не хватает чего-то очевидного. Однако я потратил много времени, пытаясь выяснить, есть ли проблема в том, как я проверял допущение модели, а также пытался выяснить другие способы запуска модели такого же типа.
Например, я прочитал во многих списках рассылки справки, что другие используют функцию vglm (в пакете VGAM) и функцию lrm (в пакете rms) (например, см. Здесь: Предположение пропорциональных шансов в порядковой логистической регрессии в R с пакетами VGAM и RMS ). Я пытался запустить те же модели, но постоянно сталкиваюсь с предупреждениями и ошибками.
Например, когда я пытаюсь согласовать модель vglm с аргументом «parallel = FALSE» (как упоминалось в предыдущей ссылке, важно для проверки предположения о пропорциональных коэффициентах), я сталкиваюсь со следующей ошибкой:
Ошибка в lm.fit (X.vlm, y = z.vlm, ...): NA / NaN / Inf in 'y'
Дополнительно: предупреждающее сообщение:
In Deviance.categorical.data.vgam (mu = mu, y = y, w = w, остатки = остатки: установленные значения, близкие к 0 или 1
Я хотел бы спросить, пожалуйста, есть ли кто-нибудь, кто мог бы понять и объяснить мне, почему график, который я создал выше, выглядит так, как он. Если это действительно означает, что что-то не так, не могли бы вы помочь мне найти способ проверить предположение о пропорциональных коэффициентах при использовании только функции polr. Или, если это просто невозможно, тогда я прибегну к попытке использовать функцию vglm, но тогда мне понадобится некоторая помощь, чтобы объяснить, почему я продолжаю получать ошибку, приведенную выше.
ПРИМЕЧАНИЕ. В качестве фона здесь есть 1000 точек данных, которые фактически являются точками расположения в изучаемой области. Я смотрю, есть ли какие-либо отношения между категориальной переменной ответа и этими 15 объясняющими переменными. Все эти 15 объясняющих переменных являются пространственными характеристиками (например, высота, координаты xy, близость к лесу и т. Д.). 1000 точек данных были распределены случайным образом с использованием ГИС, но я выбрал стратифицированную выборку. Я удостоверился, что 125 точек были случайно выбраны в каждом из 8 различных категорийных уровней ответа. Я надеюсь, что эта информация также полезна.
источник
Итак, я нашел это через поиск в Google, и я думаю, что ответ по-прежнему может быть полезным по этой причине. Я думаю, что ошибка в
где вы используете,
FG1_val_cat
а неy
. Используя пример из стратегий регрессионного моделирования Харрелла:против
источник