如何在R中高效检验有序逻辑回归的比例优势假设？

针对你有21个自变量、图形法效率低的问题，用VGAM包做似然比检验是高效验证比例优势假设的方法，同时也可以搭配Brant检验定位具体违反假设的变量，下面是具体操作步骤：

一、VGAM包的似然比检验方法 #

VGAM的核心思路是对比「强制所有自变量满足比例优势的模型」和「放松比例优势假设的模型」，通过似然比检验判断假设是否成立：

1. 安装并加载VGAM包

   install.packages("VGAM")
   library(VGAM)
   

2. 拟合比例优势模型（基准模型）
   假设你的因变量y是有序因子（比如低/中/高），自变量都在数据框your_data中：

   # cumulative()指定累积logit模型，parallel=TRUE强制所有自变量满足比例优势
   pom_model <- vglm(y ~ ., family = cumulative(parallel = TRUE, link = "logit"), data = your_data)
   

3. 拟合非比例优势模型（对比模型）
   放松比例优势假设，让每个自变量在不同累积概率下的系数可以不同：

   non_pom_model <- vglm(y ~ ., family = cumulative(parallel = FALSE, link = "logit"), data = your_data)
   

4. 执行似然比检验

   lrtest(pom_model, non_pom_model)
   

   • 结果解读：如果检验的p值小于0.05，说明拒绝比例优势假设，即模型中存在违反该假设的自变量；如果p值不显著，则支持比例优势假设成立。

5. 定位违反假设的自变量（可选）
   当整体检验显著时，你可以查看非比例优势模型的系数，判断哪个自变量的系数在不同累积概率下差异较大：

   # 以矩阵形式展示所有系数，每一行对应一个累积概率的截距/自变量系数
   coef(non_pom_model, matrix = TRUE)
   

二、多自变量场景的替代方案：Brant检验 #

如果需要更精准地定位单个自变量是否违反比例优势假设，brant包的Brant检验会更直观，它会给出整体检验和每个变量的单独检验结果：

1. 安装并加载相关包

   install.packages(c("brant", "MASS"))
   library(brant)
   library(MASS)
   

2. 拟合有序logit模型（用MASS包的polr）

   # Hess=TRUE是为了后续检验需要计算Hessian矩阵
   polr_model <- polr(y ~ ., data = your_data, Hess = TRUE)
   

3. 执行Brant检验

   brant(polr_model)
   

   • 结果解读：「Global Test」是整体假设检验，下方的每个变量行对应单独的检验。如果某个变量的p值显著，说明该变量违反了比例优势假设，你可以考虑对其加入与因变量类别的交互项，或者单独处理该变量。

注意事项 #

• 当自变量数量较多时，即使整体检验显著，可能只是少数变量违反假设，针对性处理这些变量即可，无需完全放弃比例优势模型。
• 如果多个变量都违反假设，考虑使用非比例优势模型（比如VGAM拟合的parallel=FALSE模型），但需要注意模型解释的复杂度。

内容的提问来源于stack exchange，提问作者Amolly