有序输出变量和连续预测变量之间的相关性你好社区，
我有一个关于找出有序响应变量和连续预测变量之间是否存在任何重要相关性的案例的问题。
这是我的数据（为了以防万一，我还附上了 JMP 文件）：
一开始想到用“Fit model platform”然后显示Spearman系数，后来在一本JMP的书上找到了这个资料：
根据此表，在处理有序响应变量和连续预测变量时，我应该使用有序逻辑。 我在“Fit model”平台上进行了这个，它给了我这些结果（附件文件中的脚本）：
我不得不浏览 JMP 文档和视频的多个来源以尝试理解这些结果。 我找到了很多资源，但大多数时候他们都专注于名义上的逻辑案例，并且过于专注于描述报告的每个部分，而不是实际意义和从中获得的最有用的信息。 我的目标不是深入了解数学/统计数据，而是非常实际地了解这些结果告诉我的内容。
我能理解的（如果我错了请指正）是上图中绿色圆圈的值告诉我我的模型不是很好。对于我的情况，使用单个输入变量，我可以使用这个结果最终说我的输入和输出变量之间没有任何相关或关联吗？ > 这是我要回答的主要问题。
我也有兴趣了解预测分析器的结果：
Y 轴上的比例是否告诉我值为 1、2、3、4 或 5 的概率百分比？
最后，与这个话题有些相关的太短问题：
a) 如果我的输出变量有李克特量表（强度量表），我知道它主要是一个序数变量，因此也用序数逻辑处理。 但是，如果我对每个单独的试验（行）进行多次测量并对这些值进行平均，那么现在结果开始看起来像一个连续的数字。 在这种情况下，可以将这些均值视为连续变量（而不是序数）吗？
b) 如果我的输出变量是频率值。 将其视为序数变量更好还是我可以将其视为连续变量。
谢谢阅读，
朱利安
高级统计建模基础数据分析与建模预测建模和机器学习回复：有序输出变量和连续预测变量之间的相关性如果您期望 x 能够准确预测您的 y，则您的输出 (y) 变量会非常嘈杂。 y 变量的第 5 级具有三个 x 值中的两个看起来更像 y=第 1 级时的 x 值，即两个第 5 级结果与 x 值 3 和 4 相关联，使其看起来更像水平y 变量的 1，其 x 值为 9、11 和 3。 y 变量的第 2 级和第 4 级同样跨越广泛的 x 值（第 2 级从 5 到 76，第 3 级从 24 到 96）。 正如您的分析所确认的那样，x 不是 y 的具有统计显着性的预测变量。 是否还有另一个尚未测量的潜在输入变量可能会影响您的 y 变量？
您关于如何解释有序逻辑回归模型的预测刻画器的陈述是正确的。 但是请不要相信这些预测，因为由于关系中的噪音过多，x 不是 y 的重要预测因子。
关于您的场景 a)。 这几次重复测量是同一个东西吗？ 如果是这样，这些重复测量的均值和方差是什么样的？
关于场景 b)。 你在测量什么频率？ 这可能是另一个应该记录的变量，它在分析中扮演 ax 或 y 角色，频率数据被分配了权重或频率角色。
回复：有序输出变量和连续预测变量之间的相关性你好@malcolm_moore1 ,
非常感谢您的回答。 我忘了说这不是真实数据，我只是创建了随机数来说明我的情况。 但是，我理解你对主要问题的看法。 关于这两种情况，说实话，我不是很了解。 我认为提供一个更具说明性的例子可以使我的观点更清楚。
A）在下图中，我提供的不是真实数据两个 Y 变量（咸味和 Y2）。 最初，咸度是按顺序量表评估的，但正如您在图片中看到的，如果有几个人参与并且我对这些笔记进行平均，则平均值看起来更像是一个定量的连续变量。 因此，我想知道是否要评估盐度平均值和变量 Y2 之间的相关性，我可以使用正态回归（尽管咸度最初是一个有序变量，但没有序数逻辑回归）
二）对于频率情况，我将使用相同的两个变量（咸度和 Y2），但现在假设我拥有的咸度数据是以发现特定产品为咸味的人的百分比来衡量的。 我在下图中展示了这一点（发明的数据）。
现在假设我想评估咸度（以频率测量）和 Y2（正常定量变量）之间是否存在相关性。咸度是一种定量连续类型的变量，因此我可以使用正态回归来评估相关性吗？或者由于咸味是我应该考虑的频率而不是相关分析的序变量？ 我问你这个，因为频率似乎很棘手，而且我一直无法找到关于这个的明确信息。
感谢您的阅读，
朱利安
回复：有序输出变量和连续预测变量之间的相关性您应该将三个测量值的平均值视为连续变量。 请参阅所附数据来说明这一点。 我从 1 到 10 范围内的整数测量值模拟了三列 100 个观测值。 如果你运行分布脚本，你会看到三个整数测量值的平均值的最佳拟合分布是正态分布（确认中心极限定理发挥作用，它基本上表明许多测量值的平均值将呈正态分布，即使如果观察本身是从非正态分布中抽样的）。 请注意不要将重复测量的次数减少到 3 以下。
关于您的第二种情况，如果您的百分比测量值在 10% 到 90% 的范围内，您应该可以安全地将其视为（线性）连续预测变量。 与您的 y 变量的任何关系都可以使用标准回归分析方法建模。 但是，如果您的百分比测量值超出 10% 到 90% 的范围，则更有可能与您的 y 变量发生非线性关系。 绘制数据图表以确定是否需要将任何非线性项包含在回归模型中变得至关重要。 记住回归模型是对数据趋势的经验近似，而不是机械模型。
回复：有序输出变量和连续预测变量之间的相关性非常感谢@malcolm_moore1 . 您的解释确实帮助我更好地理解了如何处理这些情况
