Инструмент AUDIT по сути является шкалой Лайкерта. Набор вопросов (элементы Лайкерта) с ответами, часто по пятибалльной шкале, предназначен для понимания какого-либо основного явления. Сумма ответов на набор вопросов, шкала Лайкерта, затем используется в качестве меры основного явления. Хотя Лайкерта элементы часто находятся на шкале «категорически не согласен» до «полностью согласен,» приложение для измерения склонности к « lcohol U се D isorders» в этом « я dentification T ЭСТ» проста.
Как отмечалось на странице Википедии по шкале Лайкерта , «могут ли отдельные элементы Лайкерта рассматриваться как данные на интервальном уровне или их следует рассматривать как упорядоченные категориальные данные, что является предметом значительных разногласий в литературе, с твердым убеждением в том, что наиболее применимые методы. " Этот спор, вероятно, начался в течение более 80 лет с тех пор, как Лайкерт впервые предложил шкалу: эквивалентен ли каждый шаг шкалы как внутри, так и среди элементов, составляющих шкалу? Эта проблема была рассмотрена на Cross Validated, так как в ответах на этот вопрос , один из самых ранних вопросов, задаваемых на этом сайте.
Если вы согласитесь с тем, что в шкале есть шаги, которые являются однородными (или достаточно близкими к однородным для рассматриваемого приложения, возможно, усредненными путем добавления 10 различных элементов, как в AUDIT), тогда возможны несколько подходов к анализу. Один из них заключается в том, чтобы рассматривать реакцию на шкале как последовательность шагов, выбранных или не выбранных для продвижения вверх по шкале с одинаковой вероятностью продвижения вверх по каждому из шагов.
Это позволяет думать о « n-точечных данных по шкале Лайкерта как о n испытаниях из биномиального процесса », как в вопросе от @MikeLawrence за 2010 год. Хотя ответы на этот вопрос не очень поддержали эту идею, было нетрудно быстро найти сегодня исследование 2014 года, которое успешно использовало и расширило этот подход для различения групп населения с различными биномиальными вероятностями. Хотя биномиальный процесс часто используется для моделирования данных подсчета, он, таким образом, может использоваться для моделирования количества, количества шагов, которые человек совершил по шкале «расстройств, связанных с употреблением алкоголя».
Как @Scortchi отметил в ответе на вопрос, связанный со вторым параграфом, ограничение биномиальной модели состоит в том, что она налагает определенную связь между средним значением и дисперсией ответа. В отрицательном биномиальных снимает это ограничение, с потерей легкой интерпретации , представленной простой биномиальной моделью. В анализе дополнительный параметр, который должен соответствовать, использует только одну дополнительную степень свободы. Напротив, попытка указать разные вероятности для каждого из 40 шагов элемента Лайкерта и их сумму в шкале Лайкерта была бы пугающей.
Как @MatthewGraves отметил в своем ответе на этот вопрос, лучше ли ответить на отрицательную биномиальную модель, изучив остатки. В первоначальном исследовании, которое разработало AUDIT, значение 8 или более по 40-балльной шкале имело вполне разумную специфичность и чувствительность для различения тех, кому был поставлен диагноз «опасное или вредное употребление алкоголя» в 6 разных странах. Так что, возможно, лучше было бы использовать биномиальную модель с двумя популяциями, основанную на группах высокого и низкого риска, аналогично исследованию 2014 года, связанному выше.
Те, кто заинтересован в AUDIT, должны изучить это оригинальное исследование. Например, хотя потребность в утреннем напитке может показаться чем-то совершенно отличным от частоты употребления алкоголя, как предположил @SeanEaster, утреннее питье имеет средневзвешенную корреляцию 0,73 со шкалой мер потребления алкоголя. (Этот результат не удивителен для тех, кто имел друзей с расстройствами, связанными с употреблением алкоголя.) AUDIT, кажется, является хорошим примером компромисса, необходимого для разработки инструмента, который можно надежно использовать в разных культурах.
Отрицательное биномиальное распределение является предпочтительным для «заразных» дискретных событий. Распределение Пуассона используется , когда дискретные события независимы. Эти распределения также довольно легко усечь, заменив точку точку , в основном.х ≥ 40х = 40 х ≥ 40
Как общий комментарий, разные разновидности регрессии имеют разные априоры для параметров (т.е. регуляризация) и разные модели шума. Стандартная регрессия наименьших квадратов имеет модель гауссовского шума, отрицательная биномиальная регрессия имеет модель отрицательного биномиального шума и так далее. Истинный тест того, подходит ли регрессионная модель, состоит в том, имеет ли остаточный шум ожидаемое распределение.
Таким образом, вы можете применить отрицательную биномиальную регрессию к вашим данным, вычислить невязки, а затем нанести их на график отрицательной биномиальной вероятности и получить представление о том, подходит ли модель. Если шум структурирован каким-либо другим способом, то нам нужно искать модель шума, которая бы более точно соответствовала этой структуре.
Полезно перейти от генеративной модели к структуре шума - если мы знаем, что данные являются мультипликативными, а не аддитивными, например, мы получаем логнормальную, а не нормальную - но если ожидаемая генеративная модель и структура шума не совпадают, идти с данными, а не ожидания.
источник