In meiner Studie werde ich die Arbeitsbelastung mit verschiedenen Metriken messen. Mit Herzfrequenzvariabilität (HRV), elektrodermaler Aktivität (EDA) und subjektiver Skala (IWS). Nach der Normalisierung hat das IWS drei Werte:
- Arbeitsbelastung niedriger als normal
- Arbeitsbelastung ist durchschnittlich
- Die Arbeitsbelastung ist höher als normal.
Ich möchte sehen, wie gut die physiologischen Maßnahmen die subjektive Arbeitsbelastung vorhersagen können.
Daher möchte ich Verhältnisdaten verwenden, um Ordnungswerte vorherzusagen. Entsprechend: Wie führe ich eine ordinale logistische Regressionsanalyse in R mit beiden numerischen / kategorialen Werten durch? Dies ist einfach über die MASS:polr
Funktion möglich.
Ich möchte jedoch auch zufällige Effekte wie Unterschiede zwischen den Subjekten, Geschlecht, Rauchen usw. berücksichtigen. In diesem Tutorial sehe ich nicht, wie ich zufällige Effekte hinzufügen kann MASS:polr
. Alternativ lme4:glmer
wäre dann eine Option, aber diese Funktion erlaubt nur die Vorhersage von Binärdaten.
Ist es möglich, zufällige Effekte zu einer ordinalen logistischen Regression hinzuzufügen?
Antworten:
Im Prinzip können Sie die Maschinerie einer beliebigen Software für logistische gemischte Modelle dazu bringen, eine ordinale logistische Regression durchzuführen, indem Sie die ordinale Antwortvariable zu einer Reihe binärer Kontraste zwischen aufeinander folgenden Ebenen erweitern (siehe z. B. Dobson und Barnett Einführung in verallgemeinerte lineare Modelle, Abschnitt 8.4.6). Dies ist jedoch ein Schmerz und zum Glück gibt es ein paar Optionen in R:
clmm
undclmm2
(clmm
= C umulative L ink M ixed M odel)mixor
Funktionfamily="ordinal"
(siehe?MCMCglmm
)family="cumulative"
(siehe?brmsfamily
)Die beiden letztgenannten Optionen werden in Bayes-MCMC-Frameworks implementiert. Soweit mir bekannt ist, können alle genannten Funktionen (mit Ausnahme von
ordinal::clmm2
) mehrere zufällige Effekte (Abschnitte, Steigungen usw.) verarbeiten. Die meisten von ihnen (vielleicht auch nichtMCMCglmm
?) können Verknüpfungsfunktionen (logit, probit usw.) auswählen.( Wenn ich Zeit habe, werde ich zurückkommen und diese Antwort mit einem Beispiel überarbeiten, in dem ordinale Modelle von Grund auf neu erstellt werden.
lme4
)quelle
mixor
Funktion des Mixer-Pakets . Diese Funktion ermöglicht zufällige Steigungen und Abschnitte und bietet eine gewisse Auswahl gegenüber der Verknüpfungsfunktion (Sie sind nicht auf geordnete logistische Regression beschränkt, sondern können auch die Funktionen probit, log-log und komplementäre log-log-Verknüpfungsfunktionen verwenden).Ja, es ist möglich, zufällige Effekte in ein ordinales Regressionsmodell aufzunehmen. Konzeptionell entspricht dies dem Einbeziehen von Zufallseffekten in ein lineares gemischtes Modell. Obwohl die UCLA - Website zeigt nur die
polr()
Funktion imMASS
Paket gibt es eine Reihe von Einrichtungen für die Montage Ordnungsmodelle in R. Es ist eine breitere (aber weniger detailliert) Übersicht hier . Die einzige Möglichkeit, zufällige Effekte in R aufzunehmen, ist das Ordinalpaket. Ich arbeite hier an einem Beispiel: Gibt es einen Zwei-Wege-Friedman-Test?quelle