在R中检验多分类有序因变量的有序逻辑回归比例优势假设

我使用R中MASS包的polr()函数，针对一个按休闲天数分组的8分类有序因变量，以分类变量BIPOC（是/否）和连续变量城市性得分（urbanicity score）为自变量构建有序逻辑回归模型，代码如下：

polr(days ~ urbanicity*BIPOC, data = dat1, Hess = T)

我无法确定如何检验该模型是否满足比例优势假设。已知Brant检验等统计检验过于严格，因此尝试采用图形化检验方法，但网上多数示例仅针对3分类因变量，只需比较两个不同截断点的二项模型。请问如何将这类检验适配到分类数>3的场景？

我目前的临时解决方案是运行一系列二项模型并比较系数，但难以判断系数差异达到何种程度时可认为假设被违反，希望获得其他解决方案。临时方案代码如下：

m.res <- list()

for (i in 2:8){
  # 基于截断点创建二分类变量
  dat$x <- ifelse(as.numeric(dat$days) < i, 0, 1)
  
  # 拟合对应截断点的二项模型
  m <- glm(
    x ~ urbanicity*BIPOC, 
    data = dat, 
    family = "binomial"
  ) 
  
  # 将模型结果存入列表
  m.res[[i-1]] <- m
  
}

coefficient_comparison <- data.frame(matrix(nrow=0, ncol=7,))
colnames(coefficient_comparison) <- c("y>1", "y>2", "y>3", "y>4",
                                      "y>5", "y>6", "y>7")

coefficient_comparison <- data.frame(
  oneplus = summary(m.res[[1]])$coefficients[ , "Estimate"],
  twoplus = summary(m.res[[2]])$coefficients[ , "Estimate"],
  threeplus = summary(m.res[[3]])$coefficients[ , "Estimate"],
  fourplus = summary(m.res[[4]])$coefficients[ , "Estimate"],
  fiveplus = summary(m.res[[5]])$coefficients[ , "Estimate"],
  sixplus = summary(m.res[[6]])$coefficients[ , "Estimate"],
  sevenplus = summary(m.res[[7]])$coefficients[ , "Estimate"]
)

coefficient_comparison

运行上述代码后得到各二项模型的系数表：

oneplus    twoplus  threeplus    fourplus   fiveplus    sixplus  sevenplus
(Intercept)     3.2413652  0.6931362  0.2917739 -0.01815633 -0.2713922 -0.4564793 -0.6188225
urbanicity     -1.2027440 -1.0300582 -1.2566895 -1.34407778 -1.4980431 -1.6129901 -1.7764729
BIPOC1         -0.7400516 -0.7444939 -0.8024623 -0.85788852 -0.8748921 -0.8564442 -0.8467173
urbanic:BIPOC1  1.2562572  0.8580332  0.6188747  0.47969936  0.3371632  0.2803162  0.1873982

内容的提问来源于stack exchange，提问作者KL_47