順序カテゴリ変数を独立変数として処理する方法

ロジットモデルを使用しています。私の従属変数はバイナリです。ただし、カテゴリ変数であり、応答を含む独立変数があります1.very good, 2.good, 3.average, 4.poor and 5.very poor。したがって、それは序数です（「定量的カテゴリ」）。モデルでこれを処理する方法がわかりません。を使用していgretlます。

[@ttnphnsからの注記：モデルはロジットであるとの質問がありますが（依存関係はカテゴリカルであるため）、重要な問題-順序独立変数-は基本的に類似しており、依存カテゴリカルまたは定量的です。したがって、この問題は、たとえばロジスティック回帰または他のロジットモデルと同様に、線形回帰にも同様に関連しています。]

序に伴う問題の独立変数は、以降の定義により、そのレベルの間の真のメトリック間隔はされていないことで知られていない離れた傘から「単調」 - - 、いかなる適切なタイプの関係をアプリオリに仮定することができます。たとえば、「バリアントを選別または結合する」、「何かを最大化するものを優先する」など、何かをする必要があります。

あなたのリッカート評価IVを序数（間隔または名目ではなく）として扱うことに固執する場合、私はあなたのために一対の選択肢を持っています。

1. 使用する多項式の対比モデルで使用されるような各予測変数だけではなく、直線的でなく、二次関数と立体的に入るすなわち。そのため、線形だけでなく、より一般的な単調効果をキャプチャできます（線形効果は、スケール/間隔として保持される予測子に対応し、他の2つの効果は、不等間隔を持っていると味わいます）。さらに、各予測変数のダミーも入力できます。これにより、名目/要因効果をテストします。すべての最後に、予測因子が因子としてどれだけ作用するか、線形共変量としてどれだけ、非線形共変量としてどれだけかを知っています。このオプションは、ほとんどすべての回帰（線形、ロジスティック、その他の一般化線形モデル）で簡単に実行できます。dfを消費するため、サンプルサイズは十分に大きくする必要があります。
2. 最適なスケーリング回帰を使用します。このアプローチは、予測変数に対する線形効果を最大化するために、順序予測変数を単調に間隔予測変数に変換します。CATREG（カテゴリ回帰）は、SPSSでのこのアイデアの実装です。特定のケースの問題の1つは、線形回帰ではなくロジスティックを実行したいが、CATREGはロジットモデルベースではないことです。あなたの予測は2カテゴリ（バイナリ）のみであるため、この障害は比較的小さいと思います：最適なスケーリングのためにCATREGを実行し、その後、変換されたスケール予測子で最終的なロジスティック回帰を実行する可能性があることを意味します。
3. また、1つのスケールまたは順序DVと1つの順序IV Jonckheere-Terpstraテストの単純なケースでは、回帰ではなく妥当な分析になる場合があることに注意してください。

他の提案もあります。上記の3つは、あなたの質問をただちに読んだときに思い浮かぶものです。

これらのスレッドにもアクセスすることをお勧めします。名義とスケールまたは序数の間の関連付け。序数とスケールの間の関連付け。それらは、特定の回帰に関するものではないにもかかわらず、役立つ可能性があります。

しかし、これらのスレッドは回帰、特にロジスティックに関するものです。内部を確認する必要があります：one、two、three、four、five。

他の優れた答えに追加するだけです。それを処理する現代的な方法は、スプラインを介して順序独立変数を表す加算モデルを使用することです。変数の効果が単調であることを確信している場合、単調スプラインに制限できます。（使用中のモノトーンスプラインの例については、シグモイドのような曲線に適合する関数を探すを参照してください）。

Rでは、順序予測子を「順序付けられた因子」（たとえばコードでord <- factor(sample(1:5,20,replace=TRUE),ordered=TRUE) ）にすると、線形モデルでは直交多項式で表されます。

あなたはダミー変数を必要とするが、あなたは必要がダミー変数、潜在的な応答の数です。5つの応答値（1〜5）がある場合、4つのダミー変数を作成します。応答が「5」の場合、4つのダミー変数はすべて0になります。理にかなっていますか？$k-1$$k$