Bayesci Sıralı Lojistik Regresyon
Bayesian Ordinal Logistic Regression (Proportional Odds Model) · Ayrıca şöyle bilinir: Bayesian proportional odds model, Bayesian cumulative logit model, Bayesian ordered logit, Bayesian cumulative link model
Bayesci sıralı lojistik regresyon, regresyon katsayıları ve eşik parametreleri üzerine önsel dağılımlar yerleştirerek ve bunları Bayes teoremi aracılığıyla gözlemlenen verilerle güncelleyerek klasik orantılı oranlar modelini genişletir. Sonuç, tüm parametreler üzerinde tam bir sonsal dağılımdır ve büyük örneklem yaklaşımlarına dayanmadan belirsizlik nicelemesine olanak tanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Sonuç doğal olarak sıralı kategorilere sahip olduğunda (Likert ölçekleri, hastalık şiddeti evreleri, eğitim düzeyleri) ve tam belirsizlik nicelemesi istediğinizde veya önsel bilgiyi dahil etmeniz gerektiğinde Bayesci sıralı lojistik regresyonu kullanın. Özellikle sıklaştırmacı asimptotik çıkarımın güvenilmez olduğu küçük ila orta büyüklükteki örneklemlerde, önceki çalışmalardan güçlü önseler mevcut olduğunda veya hiyerarşik genişletmeler gerektiğinde değerlidir. Sıralı varsayımların geçerli olmadığı durumlarda (yani, kategorilerin nominal olduğu ancak sıralı olmadığı), hesaplama süresinin engelleyici olduğu ve sıklaştırmacı sıralı logit yeterli olduğunda veya n büyük, öngörücüler az ve önsel bilgi mevcut olmadığında – bu durumda klasik orantılı oranlar modeli daha basittir ve neredeyse eşdeğerdir – bundan kaçının.
Güçlü yönler & sınırlılıklar
- Asimptotik yaklaşımlar yerine dürüst belirsizlik aralıkları sağlayan tam sonsal dağılımlar üretir.
- Maksimum olabilirlik sıralı logit'in kararsız hale geldiği veya yakınsamadığı küçük örneklemlerde iyi performans gösterir.
- Önceki çalışmalardan alan bilgisini içeren bilgilendirici önseleri destekler.
- Kümelenmiş veya tekrarlanan sıralı veriler için hiyerarşik ve çok düzeyli yapılara doğal olarak genişler.
- Öngörücü dağılımlar tutarlıdır ve karar analizi için doğrudan kullanılabilir.
- Hesaplama açısından pahalıdır: MCMC örneklemesi, özellikle büyük veri kümelerinde, maksimum olabilirlik tahmininden çok daha yavaştır.
- Önsel belirleme dikkat gerektirir; hem katsayılar hem de kesme noktaları üzerinde zayıf bilgilendirici önseler genellikle gereklidir.
- Model tanıları (R-hat, etkili örneklem boyutu, sonsal öngörücü kontrolleri) sıklaştırmacı karşılığına göre karmaşıklık ekler.
- Orantılı oranlar varsayımı (paralel eğimler) hala geçerlidir ve Bayesci çerçevede bile kontrol edilmelidir.
- Sonuçlar, iz izleme grafikleri ve R-hat istatistikleri aracılığıyla doğrulanması gereken MCMC yakınsamasına bağlıdır.
SSS
Orantılı oranlar varsayımı nedir ve nasıl kontrol edilir?
Orantılı oranlar varsayımı, her bir öngörücünün kümülatif log-olasılık üzerindeki etkisinin tüm kesme noktalarında aynı olduğunu belirtir. Bayesci bir çerçevede, sonsal öngörücü kontrolleri ile kontrol edin: uydurulmuş modelden sıralı sonuçlar simüle edin ve ampirik dağılımı gözlemlenen kategorilerle karşılaştırın. Alternatif olarak, kısmi bir orantılı oranlar modeli uydurun ve marjinal olabilirlikleri karşılaştırın.
Regresyon katsayıları için önsel nasıl seçilir?
Zayıf bilgilendirici normal önseler — örneğin, log-olasılık ölçeğinde N(0, 2.5) — sağlam bir varsayılandır (bkz. Gelman et al. önsel önerileri). Alan bilgisi bir yön veya büyüklük öneriyorsa, daha sıkı veya kaydırılmış bir önsel kullanılabilir. Önseler, akıl almaz sonuç olasılıklarını ima etmediğini doğrulamak için her zaman bir önsel öngörücü kontrolü yapın.
Kaç MCMC yinelemesi gerekir?
Yaygın bir başlangıç noktası, 4 zincir üzerinden 2000 ısınma ve 2000 ısınma sonrası yinelemedir (toplam 8000 sonsal çizim). Daha fazla yineleme gerekip gerekmediğini belirlemek için R-hat (hedef < 1.01) ve toplu ve kuyruk etkili örneklem boyutunu (parametre başına hedef > 100) izleyin.
Çok büyük veri kümeleriyle Bayesci sıralı lojistik regresyon kullanabilir miyim?
Evet, ancak tam MCMC yavaşlar. Alternatifler arasında varyasyonel çıkarım (Stan ve PyMC'de mevcuttur), Laplace yaklaşımı veya alt örnekleme yöntemleri bulunur. Çok büyük n için, sıklaştırmacı orantılı oranlar modeli pratikte neredeyse aynı ve çok daha hızlı olabilir.
Bir olasılık oranının sonsalını nasıl yorumlarım?
Kümülatif olasılık oranının bir çizimini elde etmek için bir katsayı β'nın sonsal çizimini üs alın. Sonsal medyan ve %95 güven aralığı (en yüksek yoğunluk aralığı veya eşit kuyruklar) ile özetleyin. Tamamı 1'in üzerinde olan bir güven aralığı, öngörücünün daha yüksek kategorilerin olasılığını artırdığına dair kanıt sağlar.
Kaynaklar
- Johnson, V. E., & Albert, J. H. (1999). Ordinal Data Modeling. Springer. ISBN: 978-0387987484
- Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A., & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. ISBN: 978-1439840955
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Ordinal Logistic Regression (Proportional Odds Model). ScholarGate. https://scholargate.app/tr/statistics/bayesian-ordinal-logistic-regression
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesçi Genelleştirilmiş Doğrusal Modelİstatistik↔ karşılaştır
- Bayesian Lojistik RegresyonBayesçi↔ karşılaştır
- Bayesçi Çokterimli Lojistik Regresyonİstatistik↔ karşılaştır
- Bayesçi Probit Modeliİstatistik↔ karşılaştır
- Çokterimli Lojistik Regresyonİstatistik↔ karşılaştır
- Sıralı Lojistik Regresyonİstatistik↔ karşılaştır