Plot dan interpretasikan regresi logistik ordinal

Saya memiliki variabel dependen ordinal, kemudahan, yang berkisar dari 1 (tidak mudah) hingga 5 (sangat mudah). Peningkatan nilai-nilai faktor independen terkait dengan peningkatan peringkat kemudahan.

Dua variabel independen saya ( condAdan condB) adalah kategorikal, masing-masing dengan 2 level, dan 2 ( abilityA, abilityB) kontinu.

Saya menggunakan paket ordinal dalam R, di mana ia menggunakan apa yang saya yakini

$$\text{logit}(p(Y \leqslant g)) = \ln \frac{p(Y \leqslant g)}{p(Y > g)} = \beta_{0_g} - (\beta_{1} X_{1} + \dots + \beta_{p} X_{p}) \quad(g = 1, \ldots, k-1)$$
(dari jawaban @ caracal di sini )

Saya telah mempelajari ini secara mandiri dan akan menghargai segala bantuan yang mungkin karena saya masih berjuang dengan itu. Selain tutorial yang menyertai paket ordinal, saya juga menemukan yang berikut ini membantu:

• Interpretasi dari regresi logistik ordinal
• Koefisien negatif dalam regresi logistik yang dipesan

Tetapi saya mencoba menginterpretasikan hasilnya, dan menyatukan sumber daya yang berbeda dan saya menjadi macet.

1. Saya telah membaca banyak penjelasan yang berbeda, baik yang abstrak maupun yang diterapkan, tetapi saya masih kesulitan membungkus pikiran saya dengan apa artinya mengatakan:

   Dengan peningkatan 1 unit pada condB (yaitu, berubah dari satu level ke yang berikutnya dari prediktor kategoris), peluang prediksi untuk mengamati Y = 5 versus Y = 1 ke 4 (serta peluang prediksi untuk mengamati Y = 4 versus Y = 1 hingga 3) berubah oleh faktor exp (beta) yang, untuk diagram, adalah exp (0,457) = 1,58.

   Sebuah. Apakah ini berbeda untuk variabel independen kategori dan kontinu?
   b. Bagian dari kesulitan saya mungkin dengan ide odds kumulatif dan perbandingan-perbandingan itu. ... Apakah adil untuk mengatakan bahwa beralih dari condA = absen (level referensi) ke condA = sekarang 1,58 kali lebih mungkin untuk dinilai pada tingkat kemudahan yang lebih tinggi? Saya cukup yakin itu BUKAN benar, tetapi saya tidak yakin bagaimana menyatakannya dengan benar.

Secara grafis,
1. Menerapkan kode dalam posting ini , saya bingung mengapa nilai 'probabilitas' yang dihasilkan sangat besar.
2. Grafik p (Y = g) dalam posting ini paling masuk akal bagi saya ... dengan interpretasi probabilitas mengamati kategori Y tertentu pada nilai X tertentu. Alasan saya mencoba untuk mendapatkan grafik di tempat pertama adalah untuk mendapatkan pemahaman yang lebih baik tentang hasil secara keseluruhan.

Inilah output dari model saya:

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

Saya Regresi Modeling Strategi catatan saja memiliki dua bab pada regresi ordinal yang dapat membantu. Lihat juga tutorial ini .

Catatan mata kuliah menjelaskan secara terperinci tentang apa arti asumsi model, bagaimana mereka diperiksa, dan bagaimana menafsirkan model yang cocok.