複数選択のカテゴリカル応答変数を使用したバイナリロジスティック回帰のセットの使用

13か国の特定の政策分野に対する人々の態度に関するカテゴリー調査データがあります。応答変数はカテゴリ型であり、順序付けできない4つの異なる回答が含まれています。

マルチレベルのランダム切片とランダムスロープの多項式モデルを構築したいと思います。問題は、レベル2のケースの数が13であり、モデルが少なくとも多項式の形では収束しないことです。

したがって、次善のオプションとして、応答変数をバイナリ形式に再コード化し、一連のマルチレベルのロジスティック回帰を実行し、予測確率を使用して、特定の関心のあるカテゴリが選択される確率がどのように依存するかを示します私の説明変数について。これは明らかに、次善の策にすぎません。このアプローチをとることで起こり得るリスクは何か、そして（査読者、監督者などから）どのような反論を期待すべきか知りたいのですが。

1つの多項式と一連のロジスティック回帰の間の選択は、ほとんどの場合、比較的人為的です。どちらのアプローチでも、他のすべてのカテゴリのオッズ比が表される1つのベースラインカテゴリ（参照）を選択するので、参照カテゴリが同じである場合、どちらか一方があるかどうかは通常問題ではありません。最大の欠点は、ロジスティックモデル全体で同時にパラメーターの制限をテストできないことです。これは、多項式の場合はかなり単純です。

それでも、13か国（レベル2ユニット）ではランダム効果を使用しないことをお勧めします。たとえば、https：//www.statmodel.com/download/SRM2012.pdfを参照してください。

別の方法は、国ごとに1つのダミー（マイナス1）を含める固定効果モデルを使用することです。この手順の最大の欠点は、マクロレベルの効果のテストが実行できないことです。この点について仮説がない場合は、固定効果の多項モデルを使用します。

この分析を1つのモデル（AMOS）で実行することをお勧めします。データ構造に問題はないと思います（例：Maas、CJM＆Hox、JJ（2005）マルチレベルモデリングに十分なサンプルサイズ。方法論、1 、86-92）。同じデータセットで複数のモデルを実行すると、タイプIエラーが発生する可能性が高くなります（少なくとも、Bonferroni修正を使用する必要があります。これは保守的な手法と考えられています）。