有序分类logistic回归-R语言

有序分类logistic回归

正如字面理解，包含两个方面：一是有序性，如调研中常用的满意度常用李克特量表，即有序的因变量；二是logistic分类，如1代表优秀、2代表良好、3代表一般等等。

因变量为分类变量，且分类间有次序关系，针对因变量为分类型数据的情况应该选用Logistic回归，故应采用有序多分类的Logistic回归分析模型进行分析。

常应用的方向为：空气污染预测、医学类研究、心理学研究、满意度等定量研究。

本文分为五个步骤来进行有序分类logistic回归。

第一步：相关性分析

chart.Correlation(data,histogram= TRUE,pch=19)

第二步：进行有序分类Logistic回归模型拟合，检验模型是否收敛，同时得到有序分类logistic回归模型中截距和回归系数的最大似然估计值

fit01<-polr(factor(y1)~x1+x2+x3+x4+x5+x6,data=data)summary(fit01)

第三步：对有序分类Logistic回归模型中的各个自变量回归系数进行显著性检验

drop1(fit01,test="Chi") 

第四步，检验有序Logistic回归模型进行检验，是否存在统计学意义

fit01a<-polr(factor(y1)~1,data=data)
fit01b<-polr(factor(y1)~ x1+x2+x3+x4+x5+x6,data=data)
anova(fit01a,fit01b)

第五步，预测有序Logistic回归模型拟合得到的值，然后将预测值与观察值进行对比，检验模型的预测效果

pred.data<-predict(fit01)
n<-table(data01$y1,pred.data);n
Percantage<-c(n[1,1]/sum(n[1,]),n[2,2]/sum(n[2,]),n[3,3]/sum(n[3,]))
rbind(n,Percantage)

文／唏颜 一个偶尔三分钟、会耍代码的小白~ 请珍惜我的整理，转载请联系作者获得授权，并标注“唏颜”这个小白~