순서 회귀

많은 결과는 의미 있는 순서가 있지만 방어할 수 있는 숫자 간격이 없는 범주입니다. 만족도 등급, 심각도 수준 및 교육 단계가 그 예입니다. 명목 분류자는 이 순서를 무시합니다. 정수 코드에 대한 일반적인 회귀는 숫자 거리를 가정하고 범주 간 또는 척도를 넘어서는 예측을 생성할 수 있습니다. 순서 회귀는 순위를 유지하면서 각 순서 수준에 대한 확률을 모델링합니다. 일반적인 공식은 예측변수와 선형적으로 관련된 만족도와 같은 관찰되지 않은 연속 경향을 가정합니다. 임계값은 잠재 규모를 관찰된 범주로 나눕니다. 정렬된 로짓 모델에서 범주 이하에 있을 누적 확률은 로지스틱 함수를 통해 예측 변수 점수를 뺀 임계값에 연결됩니다. 임계값은 순서대로 추정되는 반면 공유 기울기는 종종 예측자가 잠재 경향을 이동하는 방법을 나타냅니다. 순서 프로빗은 대신 정규 누적 분포를 사용합니다. 가상의 4단계 등급의 경우 유리한 예측 변수가 증가하면 확률이 낮은 등급에서 높은 등급으로 바뀔 수 있습니다. 모든 범주 확률이 반드시 증가하는 것은 아닙니다. 중간 범주는 임계값을 기준으로 사례가 어디에 있는지에 따라 이득을 얻거나 잃을 수 있습니다. 따라서 계수는 모든 더 나은 반응 확률의 직접적인 고정 증가가 아니라 잠재 또는 누적 링크 규모의 움직임을 설명합니다. 공통 순서 로짓 모델의 비례 승산 가정에 따르면 예측 변수 효과는 낮음 대 보통 이상, 낮음 또는 보통 대 양호 이상 등 누적 분할에서 공유됩니다. 이러한 인색한 가정은 모든 예측 변수나 데이터 세트에 적합하지 않을 수 있습니다. 이를 평가하고, 예측 확률을 검사하고, 필요한 경우 대안과 비교하십시오. 또한 카테고리 순서를 명시적으로 유지합니다. 소프트웨어는 의도한 의미를 반영하지 않는 방식으로 레이블을 정렬할 수 있습니다. 대표적인 데이터를 평가하고 다양한 실수의 순서와 결과를 존중하는 측정항목을 선택하세요. 순서 회귀는 모호한 범주 정의나 일관되지 않은 사람 평가를 그 자체로 신뢰할 수 있게 만들 수 없습니다.