Langkah pertama yang saya sarankan adalah memperkenalkan variabel dummy untuk masing-masing kelas ordinal (lihat komentar di https://www.google.com/url?sa=t&source=web&rct=j&ei=B9r5U67pH8vfsASwq4GADQ&url=http://www.uta .edu / fakultas / kunovich / Soci5304_Handouts / Topic% 25208_Dummy% 2520Variables.doc & cd = 2 & ved = 0CCAQFjAB & usg = AFQjCNEX-TD7RjSYZ-ej32_5tgPTxVVdvQkdjk masing-masing variabeldjkhhkhhhhhhk Anda juga dapat menguji tren dalam variabel dummy itu sendiri. Anda juga memesan ulang kategori variabel ordinal per masing-masing perkiraan besarnya variabel dummy untuk analisis selanjutnya jika ada alasan sebelumnya (untuk melihat data saat ini) untuk melakukannya.
Dengan asumsi analisis sebelumnya tidak memiliki efek tren yang meningkat (tidak harus linier) dan menggabungkan setiap pemesanan yang didukung dalam variabel ordinal itu sendiri, pendekatan yang menarik yang juga membahas kemungkinan masalah normalitas, adalah melakukan analisis regresi di mana semua variabel diberi peringkat, termasuk variabel ordinal. Sebuah alasan kegilaan ini, mengutip dari Wikipedia di Spearman Rank Correlation Coefficient (tautan: http://en.m.wikipedia.org/wiki/Spearman 's_rank_correlation_coefisien):
"Koefisien Spearman, seperti perhitungan korelasi apa pun, sesuai untuk variabel kontinu dan diskrit, termasuk variabel ordinal. [1] [2]"
Wikipedia menyajikan contoh dan beberapa cara untuk menilai kesalahan standar korelasi peringkat yang dihitung untuk pengujian. Catatan, jika secara statistik tidak berbeda dari nol, maka versi berskala, seperti dalam regresi yang dihitung berdasarkan peringkat, juga sama, tidak signifikan.
Saya selanjutnya akan menormalkan peringkat ini (membaginya dengan jumlah pengamatan), memberikan kemungkinan interpretasi kuantil sampel (perhatikan, ada kemungkinan penyempurnaan dalam membangun distribusi empiris untuk data yang dimaksud). Saya juga akan melakukan korelasi sederhana antara y dan variabel ordinal yang ditransformasikan tertentu sehingga arah peringkat yang Anda pilih (misalnya, 1 hingga 4 versus 4 ke 1), menghasilkan tanda untuk korelasi peringkat yang memiliki makna intuitif dalam konteks tersebut. studi Anda.
[Sunting] Harap dicatat bahwa model ANOVA dapat disajikan dalam format regresi dengan matriks desain yang sesuai, dan dengan model regresi standar apa pun yang Anda selidiki, tema sentralnya adalah analisis berbasis rerata dari Y yang diberikan X. Namun, dalam beberapa disiplin ilmu seperti ekologi, fokus berbeda pada hubungan regresi tersirat di berbagai kuantil, termasuk median, telah terbukti bermanfaat. Rupanya dalam ekologi, efek rata-rata bisa kecil, tetapi tidak selalu demikian pada kuantil lain. Bidang ini disebut regresi kuantil. Saya sarankan Anda menggunakannya untuk melengkapi analisis Anda saat ini. Sebagai referensi, Anda mungkin menemukan Kertas 213-30, "Pengantar Regresi Kuantil dan Prosedur QUANTREG" oleh Colin (Lin) Chen di SAS Institute bermanfaat.
Di sini juga ada sumber tentang penggunaan transformasi peringkat: "Penggunaan Transformasi Peringkat dalam Regresi" oleh Ronald L. Iman dan WJ Conover, diterbitkan dalam Technometrics, Vol 21, No. 4, November, 1979. Artikel ini mencatat bahwa regresi menggunakan transformasi peringkat tampaknya bekerja cukup baik pada data monoton. Pendapat ini juga dibagikan oleh para profesional reliabilitas, yang menyatakan di sebuah majalah online, untuk mengutip: "Metode estimasi regresi peringkat cukup baik untuk fungsi-fungsi yang dapat dilinearisasi". Sumber: "Keandalan Hotwire, Edisi 10, Desember 2010.