İstatistik Sözlüğü → Ordinal
Ordinalanaliz
Düşük-orta-yüksek ya da Likert yanıtları gibi sıralı kategorili bir sonucun daha üst kategorilerde gerçekleşme eğilimini öngörücülere bağlayan ve etkileri odds oranıyla veren regresyon modeli.
Kavram
Birçok ölçüm sayı değil sıradır: memnuniyet düzeyi, hastalık evresi, ürün kalitesi sınıfı. Bu kategoriler sıralıdır ama aralarındaki uzaklıklar eşit kabul edilemez; 'çok memnun' ile 'memnun' arasındaki fark, 'memnun' ile 'kararsız' arasındakiyle aynı olmayabilir. Kategorilere 1, 2, 3 diye puan verip doğrusal regresyon kurmak bu eşit aralığı varsayar; sırayı yok sayıp multinomial model kurmak ise bilgiyi boşa harcar. Ordinal lojistik regresyon yalnız sırayı kullanır.
En yaygın biçim, kümülatif logit (orantılı odds) modelidir. Model, sonucun belirli bir kategoride ya da altında kalma olasılığını her eşik için ayrı bir sabitle, ama tüm eşiklerde ortak bir eğimle yazar: logit P(Y ≤ j) = θⱼ − (β₁x₁ + β₂x₂ + …). Arkasında, kategorilerin bir gizil sürekli değişkenin eşiklerle kesilmesiyle oluştuğu fikri vardır. exp(β), bir birimlik artışın 'daha üst kategoride olma' odds'unu kaç katına çıkardığını gösterir ve bu oran hangi eşikte bakılırsa bakılsın aynı varsayılır.
Bu ortak oran varsayımına orantılı odds (paralel çizgiler) varsayımı denir ve paralel çizgiler testiyle sınanır. Bozulursa ilgili öngörücülerin eşiğe göre değişen eğimler aldığı kısmi orantılı odds modeli kullanılabilir. Pseudo-R² değerleri genellikle düşüktür ve doğrusal regresyondaki R² gibi okunmamalıdır.
Ne zaman kullanılır?
- Sonuç üç ya da daha fazla sıralı kategoriden oluşuyorsa (Likert maddesi, evre, düşük-orta-yüksek risk) ve bu sıranın öngörücülerle ilişkisi incelenmek istendiğinde.
- Kategoriler arasında doğal bir sıra yoksa multinomial lojistik regresyon; yalnız iki kategori varsa ikili lojistik regresyon kullanılır.
- Orantılı odds varsayımı belirgin biçimde bozuluyorsa kısmi orantılı odds modeli ya da multinomial lojistik regresyon düşünülür; birçok maddenin toplamından oluşan ve sürekliye yakın bir ölçek puanı için doğrusal regresyon da makul olabilir.
Gündelik bir örnek
Bir hastane, taburcu olan 400 hastaya hizmetten memnuniyetlerini 'memnun değil / kararsız / memnun' biçiminde soruyor. Acil serviste bekleme süresi ve hastanın tek kişilik odada kalıp kalmadığı da kaydediliyor. Ordinal model bekleme süresindeki her ek saat için OR = 0,7 bulursa, diğer etken sabitken bir saat daha fazla bekleyen hastanın daha üst bir memnuniyet kategorisinde olma odds'u yaklaşık %30 düşer; bu oran 'kararsız ya da üstü' için de 'memnun' için de aynı kabul edilir.
MerQur'da parametreler
Prediktörler (X) ve Hedef (Y, sıralı)
Kavram: Hedef, en az üç sıralı kategoriden oluşan sonuç değişkenidir. J kategorili bir sonuç için J − 1 eşik ve her öngörücü için tek bir eğim kestirilir.
Gündelik örnek: Hastane örneğinde hedef 'memnun değil / kararsız / memnun' yanıtıdır; öngörücüler bekleme süresi ve oda türüdür. Üç kategori olduğu için model iki eşik kestirir.
Ne işe yarar: En az 3 kategorili sıralı bağımlı değişkeni ve öngörücüleri seçer.
Sonuca etkisi: J - 1 eşik ve p eğim kestirilir.
Doğrulama verisinde: apply (0/1/2, n = 400), ses (1/2/3, n = 200), rating (1-5, n = 72), Sat (Low/Medium/High, n = 1681).
Kategori sırası
Kavram: Kategorilerin hangi sırayla düşükten yükseğe dizildiğini belirler. Sıra ters çevrilirse katsayıların işareti döner ama model aynı bilgiyi taşır; sıra yanlış verilirse (ör. alfabetik) model anlamsızlaşır.
Gündelik örnek: Yanıtlar metin olarak kaydedildiyse yazılım alfabetik sırayla 'kararsız, memnun, memnun değil' dizebilir. Sıra açıkça 'memnun değil, kararsız, memnun' diye yazılınca bekleme süresinin katsayısı doğru yönde yorumlanır.
Ne işe yarar: Kategorilerin düşükten yükseğe sırasını virgülle belirler; kümülatif olasılıklar ve eşikler bu sırayla tanımlanır. Metin kategorilerde açıkça yazmak güvenlidir.
Sonuca etkisi: Sıra ters çevrilirse eğimlerin işareti döner, eşikler -θ olarak ters sırada gelir; LL aynı kalır. "unlikely / somewhat likely / very likely" ve Low/Medium/High otomatik tanınır; veride olmayan etiket uyarıyla atlanır, eksik düzey hata verir.
Doğrulama verisinde: Sıra ters çevrilince pared 1.0477 -> -1.0477, eşikler 2.2033 / 4.2988 -> -4.2988 / -2.2033. Otomatik tanıma UCLA yayımıyla aynıdır (pared 1.0477, gpa 0.6157).
Kategorik (faktör) değişkenler
Kavram: Sayılarla kodlanmış kategorik bir öngörücünün tek bir eğim yerine düzey başına ayrı katsayılarla (kukla değişkenler) modele girmesini sağlar.
Gündelik örnek: Hastaların yattığı servis 1, 2, 3 diye kodlanmışsa bu sayılar ölçüm değildir. Faktör yapılınca her servisin memnuniyet odds'u referans servise göre ayrı ayrı verilir.
Ne işe yarar: Sayısal kodlu kategorik öngörücüleri faktör yapar (sayısal sıra, ilk düzey temel düzey). Boşsa davranış değişmez.
Sonuca etkisi: Sürekli tek eğim yerine (düzey - 1) kukla katsayısı kestirilir.
Doğrulama verisinde: Cheese verisi, "Additive": -2LL 711.348, LR 148.4539 (sd 3), AIC 733.348, OR 0.035, 0.181, 5.017. Alan boşken Additive sürekli sayılır (-2LL 844.271).
Bağlantı (Cumulative Logit (varsayılan), Cumulative Probit, Complementary Log-Log, Negative Log-Log, Cauchit)
Kavram: Kategorilerin arkasındaki gizil sürekli değişkenin hangi dağılımı izlediğini belirler. Logit en yaygın seçimdir ve odds oranı yorumunu sağlar; probit normal dağılımı varsayar; diğer bağlantılar yanıtların alt ya da üst kategorilerde yığıldığı durumlara uyar.
Gündelik örnek: Hastaların büyük çoğunluğu 'memnun' demiş, çok azı alt kategorilerde kalmışsa yanıtlar üst uçta yığılmıştır ve logit dışındaki bağlantılardan biri biraz daha iyi uyum verebilir. Yorumda en kolayı yine de odds oranı veren logittir.
Ne işe yarar: Gizil değişkenin dağılımını seçer: logit (lojistik), probit (normal), cloglog (düşük kategorilerde yığılmada), negatif log-log (yüksek kategorilerde yığılmada), cauchit (kalın kuyruklu).
Sonuca etkisi: Katsayılar farklı ölçekte ve LL farklı çıkar.
Doğrulama verisinde: apply (LL / pared): logit -358.5124 / 1.0477; probit -358.7476 / 0.5981; cloglog -359.7491 / 0.5166; loglog -359.3460 / 0.7486; cauchit -360.7399 / 1.0081.
Güven Düzeyi (%90, %95, %99, Diğer (özel))
Kavram: Eğimler, eşikler ve odds oranları için verilen aralıkların güven düzeyini belirler; güven düzeyi arttıkça aralık genişler.
Gündelik örnek: Bekleme süresinin OR'si 0,7 bulunduğunda %95 aralık [0,58; 0,85] olabilir; %99 güvende aralık genişler ama 1'i içermediği sürece bekleme süresinin memnuniyeti düşürdüğü sonucu korunur.
Ne işe yarar: Eğim ve eşikler için Wald aralığını (b ± z·SH) ve OR aralığını (exp) belirler.
Sonuca etkisi: Yalnız aralıklar değişir. Çıktı, SH'lerin gözlenen bilgi matrisinden hesaplandığını notla belirtir.
Doğrulama verisinde: pared OR aralığı: %90 [1.841, 4.414]; %95 [1.693, 4.800]; %99 [1.438, 5.654].
Ek çıktı: Paralel çizgiler testi
Kavram: Orantılı odds varsayımını, yani bir öngörücünün etkisinin tüm eşiklerde aynı olup olmadığını sınar. Anlamlı sonuç, en az bir öngörücünün etkisinin eşikten eşiğe değiştiğini gösterir.
Gündelik örnek: Bekleme süresi 'memnun değil' ile 'kararsız' ayrımını güçlü biçimde etkilerken 'kararsız' ile 'memnun' ayrımını hiç etkilemiyorsa varsayım bozulur. Test bu tür bir farkın şansla açıklanıp açıklanamayacağını söyler.
Ne işe yarar: Orantılı odds varsayımını sınar: eğimler tüm eşiklerde aynı mı. Eşiğe özgü genel modele karşı LR (sd = (J - 2) × p) ve değişken başına LR verir.
Sonuca etkisi: Ek tablo.
Doğrulama verisinde: apply 4.0138 (sd 3, p .260); wine genel 3.762 (sd 6), temp 3.1750 / contact 0.5667.
Ek çıktı: Pearson / Deviance uyum iyiliği
Kavram: Öngörücülerin aynı değer birleşimine sahip gözlem grupları için gözlenen ve modelin beklediği kategori sıklıklarını karşılaştırır. Kategorik öngörücülerde anlamlıdır; sürekli öngörücüler varsa gruplar çok küçük kalır ve test güvenilmez olur.
Gündelik örnek: Öngörücüler yalnız 'oda türü' ve 'servis' ise her grupta yeterince hasta bulunur ve gözlenen-beklenen karşılaştırması anlamlıdır. Bekleme süresi dakika olarak girildiğinde gruplar tek hastaya iner.
Ne işe yarar: Kovaryat örüntüleri üzerinden Pearson ve Deviance verir. Örüntü sayısı küçükken (kategorik öngörücüler) anlamlıdır; sürekli öngörücüde geçersizdir.
Sonuca etkisi: Ek satırlar.
Doğrulama verisinde: wine 4 örüntü: Pearson 3.5719, Deviance 4.9527, sd 10; housing 24 örüntü, sd 40, Pearson 47.887; apply 220 örüntü (seyrek uyarısı).
Ek çıktı: Sınıflama tablosu
Kavram: Her gözlemi modelin en yüksek olasılık verdiği kategoriye atar ve gözlenen ile tahmin edilen kategorileri karşılaştırır. Açıklama gücü düşük modellerde seyrek kategoriler hiç tahmin edilmeyebilir.
Gündelik örnek: Hastaların çoğu 'memnun' dediyse model hemen herkese 'memnun' tahmini verip yüksek doğruluk elde edebilir ama 'memnun değil' diyenlerin hiçbirini yakalayamaz. Tablo bu durumu açıkça gösterir.
Ne işe yarar: Ortalama tahmin olasılıklarını ve en olası kategoriye göre gözlenen × tahmin tablosunu verir.
Sonuca etkisi: Ek tablo.
Doğrulama verisinde: apply %57.75 doğru (üst kategori hiç tahmin edilmez), ortalama olasılıklar .5498 / .3498 / .1004; housing %48.84.
Kısmi PO değişkenleri
Kavram: Orantılı odds varsayımını bozan öngörücülerin her eşikte ayrı bir eğim almasına izin verirken diğer öngörücüler için ortak eğimi korur. Böylece tam serbest modele geçmeden varsayım ihlali yerel olarak giderilir.
Gündelik örnek: Paralel çizgiler testi yalnız bekleme süresinde sorun gösterirse, bekleme süresine 'memnun değil / kararsız' ve 'kararsız / memnun' eşikleri için ayrı katsayı verilir; oda türü tek katsayıyla kalır.
Ne işe yarar: Seçilen öngörücülerin eğimini eşiğe özgü yapar (kısmi orantılı odds); orantılı odds ihlaline yerel çözümdür. Ek model ve PO modeline karşı LR verir.
Sonuca etkisi: Ek model. Ayrışmada (çok büyük SH) uyarı yazılır ve büyük sayılar bilimsel gösterimle verilir.
Doğrulama verisinde: wine contact: LL -86.2086, AIC 190.417, LR 0.5667 (sd 3); apply public: LR 3.8833 (sd 1, p .049); tüm değişkenler = genel model (LR 4.0138).
Aşırı yayılım ölçeği (Yok (ölçek = 1), Pearson, Deviance) ve Frekans ağırlığı
Kavram: Aşırı yayılım ölçeği, verideki değişkenliğin modelin beklediğinden büyük olduğu durumda standart hataları bu fazlalık kadar büyütür. Frekans ağırlığı, bir satırın birden çok özdeş gözlemi temsil ettiğini belirtir.
Gündelik örnek: Anket sonuçları 'tek kişilik oda, memnun: 85 hasta' gibi özet satırlar hâlinde tutuluyorsa frekans ağırlığı her satırın kaç hastayı temsil ettiğini modele bildirir.
Ne işe yarar: Kümülatif logit için aşırı yayılım ölçeği ve sayım biçimindeki veri için frekans ağırlığı seçenekleri.
Sonuca etkisi: Ölçek SH'leri, ağırlık n'yi ve tahminleri değiştirir.
Doğrulama verisinde: Frekans ağırlığı katsayıları ve n'yi ağırlıklı olarak hesaplar; SH'ler gözlenen bilgi matrisinden alınır.
Gerçek veride örnek
Veri: UCLA ologit (lisansüstü başvuru eğilimi, 400 öğrenci)
Değişkenler: hedef apply (0 = düşük, 1 = orta, 2 = yüksek olasılık), prediktörler pared, public, gpa
- Soru: Öğrencinin lisansüstü eğitime başvurma eğilimi (0 = olası değil, 1 = biraz olası, 2 = çok olası) ebeveyn eğitimi (pared), okul türü (public) ve not ortalamasıyla (gpa) ilişkili mi?
- Varsayım: Orantısal odds (paralel doğrular) varsayımı χ²(3) = 4.01, p = .260 ile reddedilmez; tek katsayı takımı yeterlidir.
- Sonuç: LR χ²(3) = 24.18, p < .001. Ebeveyni lisansüstü eğitimli olanların daha yüksek başvuru kategorisinde olma odds'u 2.85 kat (b = 1.048, %95 GA [1.693, 4.800], p < .001); GPA'daki 1 puan artış odds'u 1.85 kat artırır (b = 0.616, p = .018). Devlet okulu etkisi anlamsızdır (b = -0.059, p = .844). Eşikler 0/1 = 2.203 ve 1/2 = 4.299.
- Etki büyüklüğü: McFadden R² = .033, Nagelkerke R² = .070; açıklama gücü düşüktür.
- APA: χ²(3, N = 400) = 24.18, p < .001, McFadden R² = .03; pared OR = 2.85, %95 GA [1.69, 4.80], p < .001.
İlgili kavramlar
Olabilirlik oranı testi (LRT)Orantılı odds (paralel doğrular) varsayımıBağlantı (link) fonksiyonuSınıflandırma tablosu (karışıklık matrisi)Uyum iyiliği testleri (Pearson X² ve sapma)Aşırı yayılım ve ölçek parametresiKukla (gösterge) değişken kodlamasıTam ve yarı tam ayrışma (separation)
Örneklerdeki sayılar MerQur'un bağımsız, kamuya açık doğrulama verileri üzerindeki çıktılarıdır; ayrıntılar için MerQur Teknik Not'a bakınız.