Sıralı Lojistik Regresyon
Ordinal Logistic Regression (Proportional-Odds Model) · Ayrıca şöyle bilinir: proportional-odds model, cumulative link model, ordered logit, OLR
Sıralı lojistik regresyon — en yaygın olarak orantılı oranlar modeli — bir veya daha fazla öngörücü ile sıralı bir kategorik sonuç (örneğin, Likert ölçekleri, hastalık şiddet dereceleri, eğitim seviyeleri) arasındaki ilişkiyi tahmin eder. Her bir öngörücünün tüm eşiklerdeki paylaşılan etkisini varsayarak, sıralı kategoriler boyunca kümülatif log-olasılıkları modeller.
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 üç veya daha fazla doğal olarak sıralanmış kategoriye sahip olduğunda ve bunları sürekli olarak ele almak (OLS) uygun olmadığında veya ikiliye indirgemek bilgiyi kaybetseydi, sıralı lojistik regresyon kullanın. Likert ölçekli anket öğeleri, ağrı veya şiddet derecelendirmeleri, eğitim veya gelir dilimleri ve dereceli klinik sonuçlar için uygundur. Aşırı uyumu önlemek için öngörücü başına en az 10-15 olay gerektirir. Orantılı oranlar varsayımı ciddi şekilde ihlal edildiğinde (bunun yerine kısmi orantılı oranlar veya çok değişkenli lojistik kullanın), sonuç gerçekten sürekli olduğunda (OLS kullanın) veya yalnızca iki kategori bulunduğunda (ikili lojistik regresyon kullanın) kullanmayın.
Güçlü yönler & sınırlılıklar
- Sıralı kategorik sonuçları, sıralama bilgisini kaybetmeden doğal olarak ele alır.
- Orantılı oranlar varsayımı geçerliyse, öngörücü başına tek, yorumlanabilir bir kümülatif oranlar oranı üretir.
- Sıralı bir sonucu ikili kategorilere ayırmaktan daha istatistiksel olarak verimlidir.
- Standart yazılımlarda yaygın olarak uygulanır (R: MASS::polr, Stata: ologit, SPSS: PLUM, Python: statsmodels).
- Orantılı oranlar varsayımı bazı öngörücüler için başarısız olduğunda genelleştirilmiş sıralı modellere zarif bir şekilde genişler.
- Orantılı oranlar varsayımı pratikte sıklıkla ihlal edilir, bu da sonuçlara güvenmeden önce tanısal test gerektirir.
- Katsayı yorumu OLS'den daha az sezgiseldir; kümülatif oranlar oranlarının uzman olmayan kitlelere dikkatlice açıklanması gerekir.
- Orta ila büyük bir örneklem gerektirir; kategori başına çok az gözlemle, eşik tahminleri kararsız hale gelir.
- Ek dönüşümler olmadan monotonik olmayan veya U şeklinde öngörücü-sonuç ilişkilerini modelleyemez.
SSS
Orantılı oranlar varsayımını nasıl test ederim?
Brant testini (R'de polr() sonrası brant() aracılığıyla) veya paralel doğrular için skor testini (Stata: ologit sonrası omodel) uygulayın. Anlamlı bir sonuç, tek katsayı kısıtlamasının en az bir öngörücü için ihlal edildiğini gösterir; kısmi orantılı oranlar modeli veya çok değişkenli lojistik alternatifini düşünün.
Sıralı bir lojistik modelden oranlar oranını nasıl yorumlarım?
Üslü katsayı exp(β), kümülatif bir oranlar oranıdır. Öngörücü x için 1.5 değeri, x'teki bir birimlik artışın, orantılı oranlar kısıtlamasının geçerli olduğunu varsayarak, daha yüksek bir kategorinin (herhangi bir eşiğin üzerinde) olasılığını 1.5 ile çarptığı anlamına gelir.
Gereken minimum örneklem boyutu nedir?
Yaygın bir kılavuz, modelde yer alan her öngörücü başına en az 10-15 gözlemlenen sonuçtur ve her kategorinin en az 20-30 gözlemi olmalıdır. Çok seyrek kategoriler standart hataları artırır ve teorik olarak savunulabilirse birleştirilmelidir.
Bunun yerine ne zaman çok değişkenli lojistik regresyon kullanmalıyım?
Orantılı oranlar varsayımı çoğu öngörücü için kötü bir şekilde başarısız olduğunda veya kategoriler nominal olarak sıralı ancak temel yapı sırasız olarak ele alınması daha iyi olduğunda, çok değişkenli lojistik regresyon daha uygundur, ancak daha fazla parametre ve daha büyük örneklemler gerektirir.
Hem sürekli hem de kategorik öngörücüleri dahil edebilir miyim?
Evet. Sıralı lojistik regresyon, ikili lojistik regresyon gibi karışık öngörücü türlerini ele alır. Sürekli öngörücüler varsayılan olarak doğrusal olarak girer; kategorik öngörücüler kukla kodlanır. Etkileşimler ve polinom terimleri her zamanki gibi eklenebilir.
Kaynaklar
- McCullagh, P. (1980). Regression models for ordinal data. Journal of the Royal Statistical Society: Series B (Methodological), 42(2), 109–142. DOI: 10.1111/j.2517-6161.1980.tb01109.x ↗
- Agresti, A. (2010). Analysis of Ordinal Categorical Data (2nd ed.). John Wiley & Sons. ISBN: 978-0470082898
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Ordinal Logistic Regression (Proportional-Odds Model). ScholarGate. https://scholargate.app/tr/statistics/ordinal-logistic-regression
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Genelleştirilmiş Doğrusal Model (GLM)İstatistik↔ karşılaştır
- Lojistik RegresyonAraştırma istatistiği↔ karşılaştır
- Çokterimli Lojistik Regresyonİstatistik↔ karşılaştır
- En Küçük Kareler (EK) RegresyonuEkonometri↔ karşılaştır
- Probit Regresyon ModeliEkonometri↔ karşılaştır
- Kuantil RegresyonuEkonometri↔ karşılaştır