有序逻辑回归
有序逻辑回归是一种统计模型,用于分析一个或多个预测变量与具有三个或更多有序类别的响应变量之间的关系。这些类别具有自然的等级或顺序,例如低/中/高或不同意/中立/同意——但它们之间的确切距离无法度量。
最后审阅
核心要点
有序逻辑回归是一种统计模型,用于分析一个或多个预测变量与具有三个或更多有序类别的响应变量之间的关系。
什么是有序逻辑回归?
有序逻辑回归是一种统计模型,用于分析一个或多个预测变量与 具有三个或更多有序类别的响应变量之间的关系。这些类别具有自然的等级或顺序,例如低/中/高或不同意/中立/同意——但它们之间的确切距离无法度量。它根据预测变量预测落入各类别的概率。
何时使用有序逻辑回归?
预测变量
- 预测变量可以是 连续型、分类型,或二者混合
- 离散变量可根据水平数和分析目的,视为连续型或分类型
- 仅有一个连续型预测变量且响应为连续型 → 请使用 拟合线图
- 有多个预测变量且响应为连续型 → 请使用 拟合回归模型
响应变量
- 响应必须具有 三个或更多有序类别,且有自然的等级(例如低/中/高、从不/有时/总是)
- 顺序很重要——但类别之间的间隔不必相等
- 响应仅有 两个类别(合格/不合格)→ 请使用 二元逻辑回归
- 响应具有 无序类别(划痕/凹痕/撕裂)→ 请使用 名义逻辑回归
- 响应为 连续型 → 请使用 拟合回归模型 或 拟合线图
正确使用有序逻辑回归的指南
- 确保响应变量具有 三个或更多有意义的有序类别;若顺序无关紧要,请改用名义逻辑回归。
- 预测变量可以是 连续型或分类型;运行模型之前,请确保每个预测变量的类型分类正确。
- 确保数据 准确代表目标总体;有偏或不完整的数据会产生不可靠的结果。
- 每个类别应收集 足够的数据点,以确保在所有响应水平上得到稳定可靠的概率估计。
- 尽可能 准确地测量所有变量;分类或测量中的误差会直接影响模型的准确性。
- 按 收集的顺序 记录数据,以帮助发现任何基于时间的趋势或不一致。
- 拟合之后,使用 拟合优度统计量和残差诊断来验证模型;拟合不佳的模型会产生误导性的预测。
- 检查 比例优势假设 ——有序逻辑回归假定每一对结果组之间的关系是一致的。若该假设不成立,请考虑改用名义逻辑回归。
替代方法:何时不宜使用有序逻辑回归
- 若响应 只有两个类别(例如合格/不合格),请改用 二元逻辑回归。
- 若响应类别 没有自然顺序(例如划痕/凹痕/撕裂),请改用 名义逻辑回归。
- 若响应变量为 连续型,请改用 拟合回归模型 或 拟合线图。
- 若 只有一个连续型预测变量 且响应为连续型,请改用 拟合线图。
- 若有 多个预测变量 且响应为连续型,请改用 拟合回归模型。
有序逻辑回归示例
一家诊所的经理想找出影响患者满意度的因素。诊所就患者再次来院接受后续治疗的可能性对患者进行调查,回答分为不太可能、有些可能或非常可能。由于这些响应类别具有自然顺序,经理将结果视为有序变量,并使用有序逻辑回归,检验患者再次来院的可能性与就业状况、年龄和与诊所的距离等预测变量之间的关系。使用 0.05 的显著性水平来评估模型的统计显著性和拟合优度。步骤如下:
- 收集所需数据。

- 现在,在 Zometric Statistical Software 中分析数据,网址为 https://statsai.zometric.com/。
- 要找到有序逻辑回归,请选择 Statistical module> Regression>Ordinal Logistic Regression.
- 在工具中,输入数据及其他输入项如下:

5. 使用上述工具后,得到的输出如下:


如何进行有序逻辑回归
操作步骤如下:
- 登录 Zometric Statistical Software,网址为 https://statsai.zometric.com/
- 在首页选择 Statistical Tool> Regression > Ordinal Logistic Regression.
- 接下来,手动更新数据,或从 Excel 表格中复制(Ctrl+C)数据并粘贴(Ctrl+V)到此处,也可以使用 Load Example 选项载入示例数据。
- 接下来,填写所需的选项。
- 最后,点击页面底部的 calculate,即可得到所需结果。
在有序逻辑回归的工具界面中,窗口分为两部分。

左侧是数据窗格(Data Pane)。在 Data Pane 中,每一行构成一个子组。可手动输入数据,也可从 Excel 表格中完整复制(Ctrl+C)数据并粘贴(Ctrl+V)到此处。
Load example:将载入示例数据。
Load File: 用于直接加载 Excel 数据。
右侧提供以下选项:
- Response: 响应是您要预测或研究的结果变量。在有序逻辑回归中,响应必须包含 三个或更多具有自然、有意义顺序的类别 ——即类别可以排序,但类别之间的间隔不必相等。
例如:
随后,模型根据预测变量计算观测值落入各类别的概率。 - 疼痛程度 → 轻度 / 中度 / 重度
- 调查回答 → 不同意 / 中立 / 同意
- Model 定义分析的结构,指定模型中包含哪些 预测变量和交互作用项。您可以包含:
- 连续型预测变量 ——数值变量,例如温度、年龄或剂量
- 分类型预测变量 ——分组变量,例如性别、材料类型或地区
- 交互作用项 ——两个或多个预测变量的组合,其共同作用可能超出各自单独的贡献
常见问题
什么是有序逻辑回归?
有序逻辑回归分析一个或多个预测变量与具有三个或更多有序类别(如低/中/高或不同意/中立/同意)的响应之间的关系,这些类别具有自然的等级,但它们之间的距离无法度量。它根据预测变量预测落入各类别的概率。
何时应使用有序逻辑回归而不是名义逻辑回归?
当响应类别具有有意义的顺序(如从不/有时/总是)时,使用有序逻辑回归。若顺序无关紧要(如划痕/凹痕/撕裂),请使用名义逻辑回归。对于合格/不合格等两类响应,请使用二元逻辑模型;对于连续型响应,请使用回归模型或拟合线模型。
什么是比例优势假设?
有序逻辑回归假定每一对结果组之间的关系是一致的,这称为比例优势假设。拟合之后应检查该假设;若不成立,请考虑改用名义逻辑回归。使用拟合优度统计量和残差诊断来验证模型。
有序逻辑回归可以使用哪些预测变量?
预测变量可以是连续型(如温度、年龄或剂量)、分类型(如材料类型或地区),或二者混合。离散变量可根据水平数和分析目的视为其中任一类型。模型还可以包含预测变量之间的交互作用项。
