Bagaimana menangani variabel kategori ordinal sebagai variabel independen

Saya menggunakan model logit. Variabel dependen saya adalah biner. Namun saya memiliki variabel independen yang kategoris dan berisi tanggapan: 1.very good, 2.good, 3.average, 4.poor and 5.very poor. Jadi, ini bersifat ordinal ("kategorikal kuantitatif"). Saya tidak yakin bagaimana menangani ini dalam model. Saya menggunakan gretl.

[Catatan dari @ttnphns: Meskipun pertanyaannya mengatakan model itu logit (karena dependennya kategorikal), masalah krusial - variabel independen ordinal - pada dasarnya sama, menjadi kategorikal dependen atau kuantitatif. Oleh karena itu pertanyaannya sama relevannya dengan, katakanlah, regresi linier juga - seperti halnya dengan regresi logistik atau model logit lainnya.]

Masalah dengan variabel independen ordinal adalah bahwa karena, menurut definisi, interval metrik sebenarnya antara level-levelnya tidak diketahui , tidak ada hubungan tipe yang tepat - selain dari payung "monoton" - dapat dianggap apriori. Kita harus melakukan sesuatu tentang hal itu, misalnya - untuk "menyaring atau menggabungkan varian" atau "lebih suka apa yang memaksimalkan sesuatu".

Jika Anda bersikeras memperlakukan peringkat likert IV Anda sebagai ordinal (daripada interval atau nominal) saya punya sepasang alternatif untuk Anda.

1. Gunakan kontras polinomial Yaitu setiap prediktor yang digunakan dalam model masuk tidak hanya secara linear tetapi juga secara kuadratik dan kubik. Jadi, tidak hanya linear, tetapi lebih umum, efek monotonik dapat ditangkap (efek linear sesuai dengan prediktor disimpan sebagai skala / interval dan dua efek lainnya rasanya memiliki interval yang tidak sama). Selain itu, boneka dari masing-masing prediktor dapat dimasukkan juga, yang akan menguji efek nominal / faktorial. Di akhir semua itu, Anda tahu seberapa banyak prediktor Anda bertindak sebagai faktor, sebanyak kovariat linear, dan berapa banyak sebagai kovariat nonlinear. Opsi ini mudah dilakukan di hampir semua regresi (linier, logistik, model umum-linier lainnya). Ini akan mengkonsumsi df s, sehingga ukuran sampel harus cukup besar.
2. Gunakan regresi skala optimal . Pendekatan ini mengubah secara monoton prediktor ordinal menjadi interval sehingga dapat memaksimalkan efek linear pada prediksi dan. CATREG (regresi kategoris) adalah implementasi dari ide ini di SPSS. Salah satu masalah dari kasus spesifik Anda adalah bahwa Anda ingin melakukan logistik, bukan regresi linier tetapi CATREG tidak berdasarkan model logit. Saya pikir kendala ini relatif kecil karena prediksi Anda dan hanya 2-kategori (biner): Maksud saya Anda mungkin masih melakukan CATREG untuk penskalaan yang optimal, kemudian melakukan regresi logistik akhir dengan prediktor skala transformasi yang diubah.
3. Perhatikan juga bahwa dalam kasus sederhana satu skala atau DV ordinal dan satu uji ordinal IV Jonckheere-Terpstra mungkin merupakan analisis yang masuk akal alih-alih regresi.

Mungkin ada saran lain juga. Tiga di atas adalah apa yang terlintas dalam pikiran saya hanya dengan langsung membaca pertanyaan Anda.

Izinkan saya merekomendasikan Anda untuk mengunjungi utas ini: Mengaitkan antara nominal dan skala atau ordinal ; Mengaitkan antara ordinal dan skala . Mereka dapat membantu meskipun mereka bukan tentang regresi khusus.

Tetapi utas ini adalah tentang regresi, terutama logistik: Anda harus melihat ke dalam: satu , dua , tiga , empat , lima .

Hanya untuk menambah jawaban yang sangat baik lainnya: Cara modern penanganannya bisa melalui model aditif, yang mewakili variabel independen ordinal melalui spline. Jika Anda cukup yakin efek variabel monoton, Anda dapat membatasi untuk monline spline. (Untuk contoh splines monoton yang digunakan, lihat Mencari fungsi yang sesuai dengan kurva seperti sigmoid ).

Dalam R, jika Anda menjadikan prediktor ordinal sebagai "faktor terurut" (misalnya dengan kode ord <- factor(sample(1:5,20,replace=TRUE),ordered=TRUE) ) maka dalam model linier itu akan direpresentasikan melalui polinomial ortogonal.

$k-1$$k$