📊 statistics

Logistic Multidimensional Data Analysis for Ordinal Response Variables using a Cumulative Link function

Dit artikel introduceert een multidimensionaal data-analyseframework voor ordinale responsvariabelen gebaseerd op een continue latente variabele en cumulatieve logitmodellen, dat zowel gesuperviseerde als ongesuperviseerde scenario's accommodeert door onderscheid te maken tussen dominantie- en nabijheidsvariabelen, en dat wordt geschat met behulp van een afgeleid expectation-majorization-minimization algoritme.

Oorspronkelijke auteurs: Mark de Rooij, Ligaya Breemer, Dion Woestenburg, Frank Busing

Gepubliceerd 2026-07-07

📖 7 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Mark de Rooij, Ligaya Breemer, Dion Woestenburg, Frank Busing

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Plaatje: Van "Misschien" naar een Kaart

Stel je voor dat je probeert een groep mensen te begrijpen op basis van hun antwoorden op een enquête. Maar er is een addertje onder het gras: de antwoorden zijn niet simpelweg "Ja" of "Nee". Ze zitten op een schaal, zoals een Likert-schaal: Helemaal mee oneens, Mee oneens, Neutraal, Mee eens, Helemaal mee eens.

Traditioneel behandelen statistici deze antwoorden als getallen (1, 2, 3, 4, 5) en trekken ze rechte lijnen om patronen te vinden. De auteurs van dit paper beargumenteren dat dit is alsof je de temperatuur probeert te meten met een liniaal — het is het verkeerde instrument. In plaats daarvan stellen ze een nieuwe manier voor om naar deze gegevens te kijken die de "geordende" aard van de antwoorden respecteert, zonder ze in een rigide numerieke doos te dwingen.

Ze noemen hun nieuwe raamwerk Cumulative Logistic Multidimensional Data Analysis. Dat is een mond vol, dus laten we het opdelen in twee hoofdonderdelen: De Kaart en Het Kompas.

1. De Twee Soorten Vragen: "Dominantie" versus "Nabijheid"

Het paper begint met de stelling dat niet alle enquêtevragen op dezelfde manier werken. Ze maken onderscheid tussen twee soorten vragen, gebruikmakend van een slimme analogie:

Type A: De "Dominantie"-vragen (De Bergbeklimming)

Denk aan een wiskundetoets. Als je een wiskundig genie bent, kun je zowel makkelijke als moeilijke problemen oplossen. Als je een beginner bent, kun je de makkelijke wel oplossen, maar faal je bij de moeilijke.

De Analogie: Stel je een berg voor. Hoe hoger je klimt (je bekwaamheid), hoe meer items je kunt "veroveren".
De Term uit het Paper: Dominantie-variabelen.
Hoe het werkt: Het paper gebruikt een methode genaamd Inwendig Product (zoals het projecteren van een schaduw). Als je "hoog op de berg" bent, is de kans groot dat je een hoge score haalt op de vraag. Hoe verder je in één richting gaat, hoe beter je presteert.

Type B: De "Nabijheid"-vragen (Het Doelwit Schieten)

Denk nu aan een vraag als: "Hoe vaak eet je pittig eten?"

De Analogie: Stel je een dartbord voor. Sommige mensen houden van pittig eten (ze staan vlak naast het "Pittig"-doelwit). Sommige mensen haten het (ze staan ver weg). Maar er is ook een "Precies goed"-punt. Als je te ver in de richting van "Geen Pittig" staat, haat je het. Als je te ver in de richting van "Pittig" staat, kan het ook zijn dat je het niet leuk vindt (miss misschien liever mild). Je bent het gelukkigst wanneer je dichtbij een specifiek punt bent.
De Term uit het Paper: Nabijheids-variabelen.
Hoe het werkt: De methode gebruikt Afstand. Het antwoord hangt af van hoe dicht je bij het "ideale" punt voor die vraag bent. Het gaat niet over "hoger gaan"; het gaat over "nabij zijn".

2. Het Nieuwe Instrument: Een Kaart Tekenen

De auteurs hebben een nieuwe manier gecreëerd om een kaart te tekenen (een Biplot) die zowel de mensen (de stippen) als de vragen (de lijnen of cirkels) op hetzelfde vel papier laat zien.

Voor Dominantie-vragen (De Berg): De vragen worden getekend als pijlen (vectoren).
- Als de stip van een persoon ver buiten de pijl in de richting van de pijl staat, heeft diegene waarschijnlijk "Helemaal mee eens" geantwoord.
- Als ze in de tegenovergestelde richting staan, hebben ze waarschijnlijk "Helemaal mee oneens" geantwoord.
- Het paper voegt kleine markeringen toe op de pijlen (zoals 1|2, 2|3) om precies aan te geven waar de "overgang" is tussen de categorieën.
Voor Nabijheid-vragen (Het Doelwit): De vragen worden getekend als stippen omringd door concentrische cirkels (zoals een schietschijf).
- Als de stip van een persoon binnen de binnenste cirkel valt, is diegene zeer dicht bij het "ideale" antwoord (bijv. "Altijd").
- Als ze in de ring tussen de cirkels zitten, zitten ze in de middelste categorie (bijv. "Soms").
- Als ze buiten de buitenste cirkel vallen, zijn ze ver weg (bijv. "Nooit").

3. Het Toevoegen van het "Kompas" (Voorspellende Variabelen)

Vaak willen onderzoekers weten waarom mensen op een bepaalde manier antwoorden. Ze hebben extra gegevens zoals Leeftijd, Geslacht of Opleidingsniveau.

De Innovatie van het Paper: Ze hebben uitgevogeld hoe ze deze extra factoren op dezelfde kaart kunnen tekenen.
Hoe het eruit ziet:
- Numerieke factoren (zoals Leeftijd): Getekend als pijlen. Als de "Leeftijd"-pijl in dezelfde richting wijst als een "Pro-milieu"-vraag, betekent dit dat oudere mensen de neiging hebben om op die manier te antwoorden.
- Categorische factoren (zoals Geslacht): Getekend als specifieke punten. Als het "Vrouw"-punt dicht bij het doelwit van een specifieke vraag ligt, suggereert dit dat vrouwen in de enquête naar dat antwoord neigen.

4. De Motor: Het "EMM"-Algoritme

Om deze kaarten te bouwen, moesten de auteurs een nieuwe wiskundige motor uitvinden. Ze noemen dit een Expectation-Majorization-Minimization (EMM) algoritme.

De Analogie: Stel je voor dat je probeert het laagste punt in een mistige vallei te vinden (de beste kaart). Je kunt de bodem niet zien.
1. Gokken: Je zet een stap.
2. Controleren: Je kijkt om je heen om te zien of je naar beneden gaat.
3. Aanpassen: Als je op een kleine heuvel vastzit, heeft het algoritme een speciale truc om het terrein te "vervlakken", zodat je naar de echte bodem kunt glijden.
Het paper bewijst dat deze motor goed werkt en niet te vaak vastloopt in valse "laagste punten" (lokale optima), vooral wanneer het meerdere keren wordt gedraaid vanuit verschillende startpunten.

5. Praktijktesten (De Voorbeelden)

De auteurs hebben hun nieuwe kaarttekenende hulpmiddel getest op drie echte datasets om te bewijzen dat het werkt:

Studentexamenresultaten: Ze keken naar hoe studenten antwoordden op statistiekvragen. Ze ontdekten dat "Wiskundige Kennis" en "Betrokkenheid" sterke pijlen waren die naar de juiste antwoorden wezen. Ze konden zien dat sommige vragen "makkelijk" waren (markeringen ver links) en sommige "moeilijk" (markeringen ver rechts).
Milieugewoonten (Thailand): Ze vroegen mensen naar recycling, het vermijden van vlees en buitenactiviteiten.
- De Verrassing: De meeste vragen (Recycling, Vermijden van slechte producten) gedroegen zich als Dominantie (pijlen). Hoe meer je geeft om het milieu, hoe meer je ervan doet.
- De Wending: Eén vraag ("Hoe vaak ga je naar buiten?") gedroeg zich als Nabijheid (cirkels). Het ging niet alleen om het geven om iets; het ging erom hoe dicht je bij een specifieke levensstijl was. De nieuwe kaart toonde dit verschil duidelijk aan, terwijl oude methoden dit gemist zouden hebben.
Wereldwijde Houdingen (12 Landen): Ze vergeleken hoe mensen in verschillende landen over het milieu denken. De kaart liet zien dat landen als Duitsland en Oostenrijk heel dicht bij elkaar lagen (vergelijkbare antwoorden), terwijl Aziatische landen een andere groep vormden. Het toonde ook aan dat Opleiding een enorme pijl was die mensen naar verschillende antwoorden duwde.

Samenvatting

Het paper zegt: "Behandel 'Misschien' niet als een getal. Behandel het als een positie op een kaart."

Ze hebben een nieuw systeem gebouwd dat:

Het verschil weet tussen vragen waarbij "meer beter is" (Dominantie) en vragen waarbij "dichterbij beter is" (Nabijheid).
Een visuele kaart tekent die mensen, vragen en redenen (zoals leeftijd of geslacht) allemaal in één beeld laat zien.
Een slimme wiskundige motor gebruikt om te garanderen dat de kaart accuraat is.

Dit stelt onderzoekers in staat om patronen te zien in complexe, geordende gegevens die ze met traditionele methoden wellicht over het hoofd hadden gezien.

Technische Samenvatting: Logistische Multidimensionale Data-analyse voor Ordinale Responsvariabelen

Probleemstelling
Het artikel adresseert een gat in de multidimensionale data-analyse (MDA) voor ordinale responsvariabelen. Terwijl standaardtechnieken zoals Principale Componenten Analyse (PCA) en Multidimensional Unfolding (MDU) goed gevestigd zijn voor continue data, en logistische regressie de standaard is voor categorische data, is er een gebrek aan generalisaties binnen de exponentiële familie voor MDA die specifiek zijn afgestemd op ordinale responsen. Bestaande methoden behandelen ordinale data vaak als continu (wat leidt tot vertekende effectgroottes en opgeblazen Type-I-fouten) of richten zich uitsluitend op binaire uitkomsten. Bovs de huidige kaders falen in het gelijktijdig verwerken van de twee onderscheidende respons-processen die door Coombs (1964) zijn geïdentificeerd: dominantie (monotone relatie, bijv. bekwaamheidstoetsen) en nabijheid (niet-monotone, enkelvoudig gepiekte relatie, bijv. attitudes), en integreren niet adequaat predictorvariabelen (covariaten) in deze geometrische modellen voor ordinale data.

Methodologie
De auteurs stellen een verenigd kader voor van vier modellen gebaseerd op het cumulatieve logistische regressiemodel (proportional odds model), waarbij wordt uitgegaan van een continue latente variabele die ten grondslag ligt aan de geobserveerde ordinale scores. Het kader maakt onderscheid tussen responstypes en de aanwezigheid van predictoren:

Modeltypen:
- Dominantievariabelen (Inwendig Product): Gemodelleerd met behulp van Cumulative Logistic PCA (CLPCA) (ongecontroleerd/unsupervised) en Cumulative Logistic Reduced Rank Regression (CLRRR) (gecontroleerd/supervised, waarbij subjectscores lineaire functies zijn van predictoren).
- Nabijheidsvariabelen (Afstand): Gemodelleerd met behulp van Cumulative Logistic MDU (CLMDU) (ongecontroleerd/unsupervised) en Cumulative Logistic Restricted MDU (CLRMDU) (gecontroleerd/supervised).
- In alle modellen wordt het structurele deel ( $\theta_{ir}$ ) gedefinieerd als ofwel een inwendig product $\langle u_i, v_r \rangle$ voor dominantie, of een negatieve afstand $-d(u_i, v_r)$ voor nabijheid.
Estimatiealgoritme:
- De auteurs leiden een Expectation-Majorization-Minimization (EMM) algoritme af voor Maximum Likelihood Estimatie (MLE).
- E-stap: Berekent de conditionele verwachting van de volledige data negatieve log-likelihood.
- M-stap: Gebruikt een majorisatie-functie die het probleem reduceert tot een gewogen kleinste-kwadraten-minimalisatie.
- Updates:
  - Voor inwendig product-modellen (PCA/RRR) omvatten updates Singular Value Decomposition (SVD) of Generalized SVD.
  - Voor afstand-modellen (MDU/RMDU) maken updates gebruik van een aangepast SMACOF algoritme dat in staat is om negatieve dissimilariteiten (voortvloeiend uit de logistische link) te verwerken.
- Drempelparameters worden afzonderlijk bijgewerkt met standaard MLE, waarbij het structurele deel als offset dient.
Visualisatie (Biplots):
- Het artikel breidt de biplot-methodologie uit om deze modellen te visualiseren.
- CLPCA/CLRRR: Variabelen worden gerepresenteerd als assen met markeringen die de geschatte drempels (overgangspunten tussen categorieën) aangeven op basis van de onderliggende latente variabele.
- CLMDU/CLRMDU: Variabelen worden gerepresenteerd als punten omringd door concentrische cirkels (beslissingsgrenzen) die overeenkomen met de categorie-drempels. De ruimte wordt opgedeeld in regio's waar specifieke respons-categorieën het meest waarschijnlijk zijn.

Belangrijkste Bijdragen

Theoretische Unificatie: Het artikel vult het literatuurgat door de eerste generalisaties binnen de exponentiële familie van PCA, RRR, MDU en RMDU te bieden, specifiek voor ordinale responsvariabelen, waarbij zowel dominantie- als nabijheidsprocessen worden gedekt.
Algoritmische Ontwikkeling: Het introduceert een verenigd EMM-algoritme dat de niet-lineariteit van de logistische link en de specifieke geometrische beperkingen van zowel inwendig product- als afstand-gebaseerde modellen afhandelt.
Visualisatie: Het stelt nieuwe biplot-technieken voor voor ordinale data, specifgens het gebruik van drempel-gebaseerde markeringen voor dominantievariabelen en concentrische beslissingscirkels voor nabijheidsvariabelen, wat de interpretatie van complexe respons-profielen in een laag-dimensionale ruimte mogelijk maakt.
Software-implementatie: De algoritmen zijn geïmplementeerd in de R-package logistic_mapping (functies clpca en clmdu).

Resultaten

Empirische Toepassingen:
1. Studentenprestaties (Dominantie): Analyse van de examerespons (10 items) van 138 studenten en psychologische predictoren. Het CLRRR-model identificeerde succesvol dat wiskundige kennis en affectieve betrokkenheid correcte antwoorden voorspelden, terwijl academisch uitstelgedrag voorspellend was voor fouten. De biplot onthulde duidelijke clusters van items met verschillende respons-patronen.
2. Pro-environmentaal Gedrag (Gemengd): Analyse van ISSP-data (Thailand) met betrekking tot milieuhoudingen en -gedragingen. De studie contrasteerde CLRRR en CLRMDU. Het nabijheidsmodel (CLRMDU) bood een betere fit, met name voor de variabele "OUT" (buitenactiviteit), die een niet-monotoon (nabijheids) respons-patroon vertoonde, terwijl andere gedragsvariabelen een dominantie-patroon volgden.
3. Milieu-effectiviteit (Nabijheid): Analyse van ISSP-data over 12 landen. Het CLRMDU-model (3D) onthulde duidelijke land-clusters (Aziatisch versus Europees) en toonde aan hoe onderwijs, leeftijd en geslacht de attitudes ten aanzien van milieu-effectiviteit beïnvloedden.
Simulatiestudie: Een simulatiestudie waarbij steekproefomvang (250–1000), aantal responsvariabelen (4, 8) en categorieën (3, 5) varieerden, toonde aan dat de algoritmen monotoon convergeren. Parameter-recovery (gemeten met Stress-1) verbeterde met grotere steekproeven, meer responsvariabelen en meer categorieën.

Significantie en Claims
De auteurs beweren dat dit kader een veelzijdig instrument biedt voor het analyseren van complexe datasets met ordinale responsen waarbij dimensiereductie en de gelijktijdige modellering van gecorreleerde variabelen vereist zijn.

Onderscheid van Processen: Het kader erkent en modelleert expliciet het verschil tussen dominantie- en nabijheidsvariabelen, waar standaard lineaire MDA-methoden tekortschieten.
Afhandeling van Predictoren: Het breidt deze capaciteiten uit naar gecontroleerde settings (RRR en RMDU), waardoor de inclusie van externe covariaten mogelijk is om de positie van subjecten te verklaren.
Visuele Interpreteerbaarheid: De voorgestelde biplots bieden een holistisch overzicht van de datastructuur, de afhankelijkheden tussen responsvariabelen en de effecten van predictoren, wat complementair is aan numerieke coëfficiëntentabellen.
Omgaan met Aannames: Het artikel merkt op dat hoewel de proportional odds-aanname centraal staat in het model, deze niet altijd standhoudt. De auteurs verwijzen echter naar Harrell (2001) en suggereren dat de bias-variance trade-off de voorkeur kan geven aan het eenvoudigere proportional odds model boven complexere alternatieven die excessieve variantie introduceren. Zij erkennen dat het testen van deze aanname binnen het MDA-kader verdere ontwikkeling vereist (bijv. vergelijking met Multinomial Multiple Correspondence Analysis).

Het artikel concludeert dat deze modellen verschillen van Item Response Theory (IRT) modellen zoals het Graded Response Model (GRM) of het Generalized Graded Unfolding Model (GGUM), aangezien het primaire doel hier dimensiereductie en de voorspelling van gecorreleerde responsen is, en niet de schatting van latente kenmerken voor testconstructie.