#statstab #410 Ordered Regression Models: a Tutorial

Thoughts: A very comprehensive paper on analysing ordinal data.

#orderedregression #regression #ordinal #tutorial #likert #probit #logit

https://link.springer.com/article/10.1007/s11121-021-01302-y

#statstab #405 Best Practices for Estimating, Interpreting, and
Presenting Nonlinear Interaction Effects

Thoughts: Guidance on nonlinear interactions, reporting (probabilities) and visualisations.

#probit #logit #logisticregression #nonlinear #guide

https://sociologicalscience.com/download/vol-6/february/SocSci_v6_81to117.pdf

#statstab #339 Better discrete choice modeling through the rank ordered logit

Thoughts: MaxDiff, rank ordered logit, and how to model discrete choice data.

#choicedata #MaxDiff #rank #logit #ordered #r #choice #data #Gumbel

https://andytimm.github.io/posts/doing_maxdiff_better/better_maxdiff.html

Das ist schon eine ganz anständige Zahl, aber der Fehler der Briefwahlprognose ist leider größer, so dass da auch Werte unter 0 ⁠% und über 100 ⁠% rauskommen: Grüne 136 ⁠%, SPD 83 ⁠%, FDP 28 ⁠%, AfD 1 ⁠%, CDU −49 ⁠%, Linke −53 ⁠%, Rest −25 ⁠%, Ungültige −20 ⁠% (alles bezogen auf Wähler). Das ist also so direkt nicht realistisch, aber es ist zumindest ein Anhaltspunkt für eine Tendenz. Gerechnet hab ich mit #Logit-Differenzen und Normierung. [3/5]

Danach logarithmischer Abfall der Dichte vom #Erwartungswert (kann negativ sein, da das Maximum im Allgemeinen etwas abseits liegt). Dahinter diverse #Potenzmittel (∞, 2, 1.5, 1) der Abweichungen nach #Logit und in #Prozentpunkte⁠n. #RMSE (Root Mean Square Error) ist generell der beste Standard. Logit bewertet Abweichungen bei kleineren Parteien ziemlich stark; bei Prozentpunkten sind sie dagegen im Verhältnis zu zufälligen Stichproben unterbewertet. [2/2]