Blog

Here we keep you updated on special offers and such

Modèle logit ordonné

Lorsque la variable de réponse n`est pas seulement catégorique, mais les catégories ordonnées, le modèle doit être en mesure de gérer les différentes catégories, et idéalement, compte pour le classement. Dans la sortie ci-dessus, nous voyons d`abord le journal d`itération. À l`itération 0, Stata correspond à un modèle nul, c.-à-d. le modèle d`interception uniquement. Il se déplace ensuite pour s`adapter au modèle complet et arrête le processus d`itération une fois que la différence de probabilité de journal entre les itérations successives devient suffisamment petite. La probabilité finale du journal (-358,51244) s`affiche à nouveau. Il peut être utilisé dans des comparaisons de modèles imbriqués. Aussi en haut de la sortie, nous voyons que toutes les observations 400 dans notre ensemble de données ont été utilisés dans l`analyse. Le rapport de vraisemblance Khi-carré de 24,18 avec une valeur de p de 0,0000 nous indique que notre modèle dans son ensemble est statistiquement significatif, par rapport au modèle nul sans prédicteurs.

Le Pseudo-R-carré de 0,0326 est également donné. Ci-dessous, nous utilisons la commande ologit pour estimer un modèle de régression logistique ordonnée. Le i. Before pared indique que le Pared est une variable de facteur (c.-à-d., variable catégorique), et qu`il devrait être inclus dans le modèle comme une série de variables d`indicateur. Il en va de même pour i. public. L`hypothèse de cotes proportionnelles est que le nombre ajouté à chacun de ces logarithmes pour obtenir le suivant est le même dans tous les cas. En d`autres termes, ces logarithmes forment une séquence arithmétique.

[2] le modèle indique que le nombre dans la dernière colonne de la table (le nombre de fois que ce logarithme doit être ajouté) est une combinaison linéaire des autres variables observées. C`est un type de régression logistique dans lequel vous modélisez la relation entre les variables prédictitrices et la propension à être dans chaque catégorie supérieure ordonnée. (Remarque: différentes procédures logicielles de stat utilisent des valeurs par défaut différentes sur le classement — certains modèles étant dans une catégorie supérieure, certains modèles étant dans une catégorie inférieure. Assurez-vous de connaître la direction que votre logiciel utilise). Dans le tableau, nous voyons les coefficients, leurs erreurs standard, z-tests et leurs valeurs de p associées, et l`intervalle de confiance de 95% des coefficients. Les deux pared et GPA sont statistiquement significatives; public ne l`est pas. Donc, pour les pared, nous disons que pour une augmentation d`une unité de pared (c.-à-d., allant de 0 à 1), nous prévoyons une augmentation de 1,05 dans les cotes logarithmique d`être dans un niveau plus élevé d`appliquer, étant donné que toutes les autres variables dans le modèle sont maintenus constants. Pour une augmentation d`une unité de GPA, on s`attendrait à une augmentation de 0,62 dans les cotes logarithmique d`être dans un niveau plus élevé d`appliquer, étant donné que toutes les autres variables dans le modèle sont maintenus constants.

Les points de coupe indiqués au bas de la sortie indiquent où la variable latente est coupée pour faire les trois groupes que nous observons dans nos données. Notez que cette variable latente est continue. En général, ceux-ci ne sont pas utilisés dans l`interprétation des résultats. Les points de coupe sont étroitement liés aux seuils, qui sont rapportés par d`autres ensembles statistiques. Pour plus d`informations, consultez la FAQ stata: Comment puis-je convertir le paramétrage de stata de modèles probit et logistiques ordonnés en une constante estimée? Par exemple, le modèle signale comment chaque variable de prédicteur affecte de façon unique les chances d`être dans la catégorie 2 ou supérieure par rapport à la catégorie 1; catégorie 3 ou supérieure par rapport à la catégorie 2 ou 1; catégorie 4 par rapport aux catégories 1, 2 ou 3.

This entry was posted in Uncategorized by dave. Bookmark the permalink.

Comments are closed.