Направление оценочного коэффициента в логарифмической регрессии

Question

Я анализирую порядковую логистическую регрессию и мне интересно, как узнать, в каком направлении находится коэффициент оценки? Мои переменные равны 0, 1 для женщин, мужчин и 0,1,2,4 для разных поз. Итак, мой вопрос: откуда мне знать, если оценка описывает изменение от 0 до 1 или изменение от 1 до 0, говоря о поле?

Вывод добавил 1 к PicSex, это знак? что у этого есть направление 1-> 0? См. Код для этого.

Спасибо за любую помощь

Cumulative Link Mixed Model fitted with the Laplace approximation

formula: Int ~ PicSex + Posture + (1 | PicID)
data:    x

Random effects:
 Groups Name        Variance Std.Dev.
 PicID  (Intercept) 0.0541   0.2326  
Number of groups:  PicID 16 

Coefficients:
        Estimate Std. Error z value Pr(>|z|)    
PicSex1   0.3743     0.1833   2.042   0.0411 *  
Posture  -1.1232     0.1866  -6.018 1.77e-09 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Answer 1

Ваш пол имеет два уровня, 0 или 1. Таким образом, PicSex1 означает эффект PicSex, равный 1, по сравнению с PicSex, равным 0. Я показываю пример ниже с использованием набора данных вина:

library(ordinal)
DATA = wine
> head(DATA$temp)
[1] cold cold cold cold warm warm
Levels: cold warm

Здесь холодносначала в Уровни, поэтому он устанавливается в качестве эталона в любых линейных моделях. Сначала мы проверяем эффект холодного против теплого

do.call(cbind,tapply(DATA$rating,DATA$temp,table))
#warm has a higher average rating

Подходим модель

# we fit the a model, temp is fixed effect
summary(clmm(rating ~ temp + contact+(1|judge), data = DATA))
Cumulative Link Mixed Model fitted with the Laplace approximation

formula: rating ~ temp + contact + (1 | judge)
data:    DATA

 link  threshold nobs logLik AIC    niter    max.grad cond.H 
 logit flexible  72   -81.57 177.13 332(999) 1.03e-05 2.8e+01

Random effects:
 Groups Name        Variance Std.Dev.
 judge  (Intercept) 1.279    1.131   
Number of groups:  judge 9 

Coefficients:
           Estimate Std. Error z value Pr(>|z|)    
tempwarm     3.0630     0.5954   5.145 2.68e-07 ***
contactyes   1.8349     0.5125   3.580 0.000344 ***

Здесь мы видим теплыйбудучи привязанным к «temp» и, как мы знаем, он имеет положительный коэффициент, потому что рейтинг лучше в тепле, чем в холоде (ссылка).

Так что, если вы установите в качестве ссылки другую группу, вы будетесм. другое имя, к которому добавлено имя, и коэффициент обратный (-3 .. по сравнению с +3 .. в предыдущем примере)

# we set warm as reference now
DATA$temp = relevel(DATA$temp,ref="warm")

summary(clmm(rating ~ temp + contact+(1|judge), data = DATA))
Cumulative Link Mixed Model fitted with the Laplace approximation

formula: rating ~ temp + contact + (1 | judge)
data:    DATA

 link  threshold nobs logLik AIC    niter    max.grad cond.H 
 logit flexible  72   -81.57 177.13 269(810) 1.14e-04 1.8e+01

Random effects:
 Groups Name        Variance Std.Dev.
 judge  (Intercept) 1.28     1.131   
Number of groups:  judge 9 

Coefficients:
           Estimate Std. Error z value Pr(>|z|)    
tempcold    -3.0630     0.5954  -5.145 2.68e-07 ***
contactyes   1.8349     0.5125   3.580 0.000344 ***

Поэтому всегда проверяйте исходное значение перед установкой модели