In meiner Studie ist die abhängige Variable binär codiert als 0 und 1 und unabhängige Variablen sind eine Kombination von Kategorie Variablen und Variablen gemessen auf Likert Skala auf 5-Punkt-Skala. Nach den Daten möchte ich eine binäre logistische Regression durchführen, aber ein wenig verwirrt, wie ich diese unabhängigen Variablen behandeln sollte, die auf Likert-Skala gemessen werden. sollten diese als kontinuierliche Variablen oder Ordinalvariablen behandelt werden? Nach meinem Wissen beschäftigt sich die logistische Regression nur mit kategorialen und kontinuierlichen unabhängigen Variablen. Wenn auf der Likert-Skala gemessene Variablen ordinal eher kontinuierlich sind, welches statistische Werkzeug sollte ich anwenden?Wie auf der Likert-Skala gemessene unabhängige Variablen sollten in der binären logistischen Regression als kontinuierliche Variablen oder Ordinalvariablen behandelt werden?
0
A
Antwort
0
Es ist ein sehr umstrittenes Thema. Ich empfehle Ihnen, die folgenden Links zu lesen. In jedem Fall hängt es von Ihrem Forschungsdesign und auf den Erwartungen über die Ergebnisse:
http://www.theanalysisfactor.com/can-likert-scale-data-ever-be-continuous/ https://www.researchgate.net/publication/266212127_Five-Point_Likert_Items_t_Test_Versus_Mann-Whitney-Wilcoxon https://stats.stackexchange.com/questions/86923/effect-of-two-demographic-ivs-on-survey-answers-likert-scale
Meine Meinung nach, ist es nicht möglich ist, sie wie kontinuierliche Werte zu berücksichtigen. Vielleicht sollten Sie in dieser Community fragen:
Verwandte Themen
- 1. Auswählen der zu normalisierenden Variablen bei Anwendung der logistischen Regression
- 2. Verständnis Ergebnis der logistischen Regression
- 3. Konfusionsmatrix in der logistischen Regression
- 4. R Regression mit Monaten als unabhängige Variablen (Labels)
- 5. diese Implementierung der logistischen Regression
- 6. Anwenden der logistischen Regression auf einfachen Datensatz
- 7. Mischen von binären und nicht-binären Features in der logistischen Regression
- 8. Plotten Entscheidungsgrenze der logistischen Regression
- 9. PCA reduziert die Leistung der logistischen Regression?
- 10. Warum werden Gewichtsparameter der logistischen Regression auf Nullen initialisiert?
- 11. Codierungsmethode der logistischen Regression in Scikit-learn
- 12. Vorhersage neuer Werte in der logistischen Regression
- 13. falsch Plot in der logistischen Regression
- 14. Wie man Merkmale aus einer latenten semantischen Analyse als unabhängige Variablen in ein Vorhersagemodell einbaut
- 15. Eingeschlossene unabhängige Variablen - R
- 16. Ändern der Referenzgruppe für kategoriale Prädiktorvariablen in der logistischen Regression
- 17. Wie setzt man das Probengewicht in der sklearn logistischen Regression?
- 18. Darstellung einer binären Variablen
- 19. Nur Variablen sollten als Referenz in Sitzung Sitzung erstellt werden
- 20. Durchführen der logistischen Regression mit einer großen Anzahl von Funktionen?
- 21. Compiler-Optimierung auf loop-unabhängige Variablen
- 22. Python: Verwendung der multinomialen logistischen Regression mit SKlearn
- 23. Verwenden der logistischen Regression für ein Mehrfachberührungs-Antwortmodell (Python/Pandas)?
- 24. Regression Schleife: mehrere dep Variablen & mehrere indep Variablen, eine dieser indep Variablen nimmt unterschiedliche Werte entsprechend der dep Variable
- 25. Wie die Entscheidungsgrenze der logistischen Regression in scikit plotten lernen
- 26. TensorFlow Returning nan Bei der Implementierung der Logistischen Regression
- 27. Konvergenz in der logistischen Regression in verteilten Tensorflow
- 28. Simulierte kontinuierliche Variable, die mit der vorhandenen binären Variablen korreliert ist
- 29. Python: Wie das Ergebnis der logistischen Regression durch sm.Logit
- 30. Confused mit dem Referenzpegel in der logistischen Regression in R