如何使用R检验有序分类变量的逻辑回归偏离线性趋势？

我在测试有序分类自变量的二元结果的对数概率的线性趋势。这是通过将自变量视为连续变量直接实现的

我还试图测试是否偏离了线性趋势。我知道这是关于比较（a）自变量是分类的模型和（b）自变量是连续的模型。但我不知道在R怎么做

有人能帮忙吗

我在下面创建了一个可复制的示例。前7行只是创建了一个数据集

model1

将自变量视为分类变量<代码>模型2为连续

model2

提供了强有力的证据，证明线性趋势比完全没有趋势更好地解释趋势，但在这种情况下，线性趋势显然不是一个很好的解释

# create dataset 'a'

n <- 200
ngroups <- 7
a <- data.frame(group = rep(letters[1:ngroups], n), group2 = rep(1: ngroups, n), n = runif(n * ngroups, 0, 1))
y <- data.frame(group = letters[1:ngroups], fac = 1/(1 + exp(-1 * 1:ngroups)))
a <- merge(a, y, by = "group")
a$n2 <- a$n * a$fac
a$ind <- ifelse(a$n2 > quantile(a$n2)[4], 1, 0)

# run models

model1 <- glm(ind ~ group, data = a, family = "quasibinomial")
model2 <- glm(ind ~ group2, data = a, family = "quasibinomial") 

#创建数据集“a”
回答我自己的问题

您进行似然比测试以比较两个模型：

anova(model1, model2, test = "LRT")

这可能会给出一个较低的p值，表明模型不同，有证据表明非线性趋势比线性趋势更适合数据。
回答我自己的问题

您进行似然比测试以比较两个模型：

anova(model1, model2, test = "LRT")

这可能会给出一个较低的p值，表明模型不同，并且有证据表明非线性趋势比线性趋势更适合数据。
这似乎纯粹是关于如何使用特定软件的问题，而不是关于统计的问题。这些问题通常在本论坛上结束。这个问题是否更适合于堆栈溢出？这似乎纯粹是关于如何使用特定软件的问题，而不是关于统计的问题。这些问题通常在此论坛上结束。该问题是否更适合于堆栈溢出？