罗老师再指导一下啊，请教一个l利克特量表问题

zhfzzei

! x2 e9 c3 n' k7 p- s( c
1.我的研究中自变量和因变量均通过利克特5点量表得到，自变量是从“同意”到“不同意”的5级，因变量是排名，从第1到第5。现在我试图做回归分析
4 B4 d: f2 y, d8 R- |  R' G! o2。国内大量文献中类似处理均直接进行了线性回归，比如在李金林的“管理统计学应用与实践”一书中，所有案例均都是利克特5点量表，都采用了线性回归。显然这是作为连续变量处理的。
3.但是也有不少文献对此种情况进行了logistic回归。
- o  i( V% R! r+ q2 h" T# v/ K4.我对两种方法均进行了尝试。分别采用线性回归和logistic回归的有序ordinal模型，logistic回归的平行性假设也得到验证。二者回归结果有出入，难以取舍。
5.我认为，我的因变量是排名，更接近有序变量，所以logistic模型更合适些，但是自变量此时又作为因素即分类变量纳入分析，而不是像线性回归中作为连续变量纳入分析，又显得不合适，而且有文献说利克特量表不应视为定比数据，进行log变换是完全不适当的，那么也就意味着完全不应当进行logistic回归了？（Likert scale data should be treated as “interval” scale with great caution but certainly, not as ratio scale data, when parametric methods such as logarithmic transformations would be totally inappropriate.
1 I% i9 i+ {$ w( O' y）
# R& j& D, F) a4 c+ o" H) W+ u6.后续研究中准备将因变量化为二分类变量：第1和不是第1，应该只能做logistic回归，没有悬念了？但自变量的问题依然存在
罗老师给过我一个关于此的链接，可依然不太清楚，请罗老师再指导下

zhfzzei

怎么没人理会呢，这个问题太简单了吗

lijinwei

不知你的问题是不是分别采用线性回归和logistic回归的有序ordinal模型，二者回归结果有出入，怎么办，为什么不一致，我能咋办呢儿？
胡说两句，你所谓的线性回归和logistic回归理论基础不一样，而且对结果的解释也不一样，y=a+bx中，如果结果显著，解释为x对y有线性影响，logistic中作了技术处理将原意转换为ln(pi/1-pi)=a+bx,如果结果显著，解释为x对ln(pi/1-pi)有影响,ln(pi/1-pi)的意义为发生概率的比率，简称发生比，概率和y可不一样，概率的比率是个相对数和y更不一样，你的y是1，2，3，4，5的直测实际变化，而ln(pi/1-pi)可就是发生与不发生概率比率的变化，解释大不一样，导致两个统计过程结果不一致，但本来就不应去比，两码事比了没意义，请你参考！我也只能胡说到这里了，可不要误导你了，望懂行的给予解决！

zhfzzei

多谢，你的解释很明确。不过我更关注的是，对于这样的数据，是不是根本就不应该进行线性回归呢？或者说也不适合进行logistic回归呢？事实上，从回归结果来看，出入也并不是很大，对概率比率ln(pi/1-pi)有影响的自变量对于线性回归中因变量y同样也有影响，只是个别自变量不同而已。另外我也做了判别分析，我更关注的是，对于我这样的数据来说，哪种分析更合适？

Kenneth

有什么特别的原因一定要“排序”吗？现在更要“二分”了？
这样你的变脸方差会减少很多的。我还是建议用 Likert scale。
; ]2 u0 r- R3 ?* P; H" E8 n7 L关于 Likert scale 是不是只是排序的答案，而不是连续的等距量表的问题， 我以前已经谈过了。在社会科学上一般的假设是它是等距的。 现在的统计学应用到社会科学研究已经极为复杂，如果连等距的假设都不接纳的话，那我们就可以把这些统计工具掉到一旁了。

lijinwei

zhfzzei 发表于 2011-9-26 11:53
3 k% b8 A3 K: }6 s7 @5 B多谢，你的解释很明确。不过我更关注的是，对于这样的数据，是不是根本就不应该进行线性回归呢？或者说也不 ...

. ^, F$ S4 x* {+ Q
我注意到你做判别分析，你的研究目的如果是用模型来作预测，必须用logisic,数据要当成不等距的，为什么？因为是提供给管理人员的选拔工具，是工具，给出概率性的解释保守但不至于误导管理人员，在这样的情景下，保守更重要，把坏人和坏的公司和坏的东西依据你的模型选进系统内工作和产生功能很危险，我胡说啊，望更多的朋友来分析。

zhfzzei

下述摘自萨基出版社的“The Method and Technique of Social Statistics”：
% Y, w' F) j' i9 c7 w8 t4 N2 N0 z1.“回归分析也许是社会科学中被滥用最多的统计技术之一，虽然在一些假定得不到满足的情况下，回归分析的估值还可能是稳健的。但如违反了一些重要的假定，就会导致不合理的估值出现，因变量为定性，而不是连续、定距的测量值，就是后者”.
2.回归模型对自变量或外源变量的取值，没有限制。只要自变量不是彼此的线性组合之外，它们可以是连续、定距的，可以只取正值或零，或以只取整数值，或者是二项变量。但是，这以因变量必须是连续变量的假定为前提。
    现在我有点明白了，回归模型中，关键在于因变量的类型而不是自变量，当然这并不是说自变量的类型不重要，我过去一直在自变量的类型上徘徊不已。
& h' U6 i4 U: ?' S# X9 D    回罗老师和lijinwei 。我的研究大体是这样：因变量是品牌的排名，因为我的研究就是探求品牌排名的影响因素。但是从线性回归和logistic回归出入并不很大的结果看，就我的问题而言，将因变量视为定序的变量，或者和自变量一样视为定距，区别并不大。不过我个人而言，还是倾向于logistic回归。因为排名中的品牌并不是涵盖了所有市场的品牌，很难说它们是定距的，名次之间的差异显然是不均匀的。
- R. J6 V) R- \    不知道我的理解对不对？

Kenneth

. U( d/ x4 E* ^! I+ A! r. v0 a. O% S

zhfzzei 发表于 2011-9-28 11:07
下述摘自萨基出版社的“The Method and Technique of Social Statistics”：
3 C) F! z" [) A' \0 n' k; H1.“回归分析也许是社会科学中 ...

" g7 I' J7 T' K. A' ]/ Ozhfzzei，我想如果说乱用的，社会科学还有很多可能的错误：比如是非正态的东西看成是正态的、非随机的看成是随机的等。在回归分析中，我们也一直把 fixed effect regression 和 random effect regression 交错的乱用。我个人在这方面却比较宽松。因为一个假设：在没有发现严重问题前，我们一般就暂时假设它是没有问题的 -- 直至有证据证明有问题为止，那就要改变了。不然的话，你就不可能做任何的研究了。
/ V6 I0 u" R4 o. I2 g$ e
2 H+ g0 q' x5 \; i9 O6 \关于你的研究问题， 我的意见还是「你为什么一直把你的研究问题定义成为一个“排序”的问题」。对一个消费者而言我喜欢一个品牌，或是购买一个品牌的东西，都是针对这个品牌而言的，不一定要比较这个品牌与另外一个品牌的差别的。如果你“可以”测量喜好的连续值的话，应该问的是「你有多喜欢iphone」，而不是「你比较喜欢iphone还是HTC」。因为前者的信息比后者的丰富很多，可以研究的问题也多很多。当然，如果你怀疑我们是否可以测量「喜好」的连续值的话，那我就没话好说了。不过，如果这样假设的话，大部分的市场学的研究都要掉在垃圾桶里了。
! ^4 G4 B, }" ?" I3 U
最后，可否测量「喜好」的连续值是一个假设，但我们不要忘记，logistic regression 背后的假设也不少的啊！

lijinwei

/ \) F. a& m) f5 A4 @8 @你说的名次之间的差异显然是不均匀的,我就是这个意思，liket这把尺子大量用在心理测量中是绝对合适的，因为人经过长年教育和认知，其思维比较缜密，而且五点尺子本来设计等距，限定了作答者的超心理距离应答，在心理学研究中不大有问题，但你所说的排名往往第一名和第二名差距不大，但三，四，五与一，二名差的就大，行业内经常说数一数二战略折射出一点影子，体育界排名似乎也是这种情况，这就与心理测量不一样了，我建议你再作缜密逻辑推理，作出研判！
! K. x  s4 z* I0 \8 Z& S- {+ X

Kenneth

lijinwei 发表于 2011-9-28 16:20
4 l& }$ k$ t! e$ ]! s你说的名次之间的差异显然是不均匀的,我就是这个意思，liket这把尺子大量用在心理测量中是绝对合适的，因为 ...

# f3 ]9 h% J( @$ Y看了 lijinwei 的回复，我才明白是沟通上的问题。
如果你收的是 排序 的数据，是「一定不可以」 假设它是等距的。但是如果你用我的方法，问应答者有多喜欢这个品牌（而不是比较这个品牌与另外一个）的话，我跟 lijinwei 的想法相像，相信假设是等距的问题不大的。