R 有序因素与水平

有人能解释一下R中“ordered”参数的用法吗

R说：

有序的
确定级别是否应被视为有序（按给定顺序）的逻辑标志

因此，如果我有一个名为names的因子，并设置ordered=TRUE

names<- factor(c("fred","bob","john"), ordered = TRUE)
names

好像是我点的。那么为什么我需要“ordered”参数呢

我不知道“有序”和“级别”是如何使用的。

让我们读一读

从

？系数
：

级别x可能采用的值的可选向量。这个
默认值是as.character（x）采用的唯一值集，已排序
变成x的递增顺序。请注意，此集合可以指定为
小于排序（唯一（x））

因此，如果未指定，它将为您排序唯一值，并将其视为顺序

正如本所提到的，有序因素和无序因素在实践中如何不同的问题要复杂得多，并且通常依赖于一个假设，即你知道合理数量的统计数据。文件仅说明：

有序因子与因子的区别仅在于它们的类，而在于它们的方法
模型拟合函数对这两类问题处理得相当好
不一样

同样，正如Ben提到的，许多模型拟合程序将以非常不同的方式处理有序和无序因素，因为它们具有非常不同的统计意义和解释。统计差异的详细总结可能远远超出了StackOverflow答案的范围。
我将用更直观的因素替换名称向量，顺序更合理：

heights <- c("low","medium","high")

heights1 <- factor(heights, ordered = TRUE)
heights1
# [1] low    medium high  
# Levels: high < low < medium

heights2 <- factor(heights) # ordered = FALSE by default
heights2
# [1] low    medium high  
# Levels: high low medium

由于无序因素，我们无法汇总：

# aggregate(height ~ id,df1,max)
# Error in Summary.factor(c(2L, 2L), na.rm = FALSE) : 
# ‘max’ not meaningful for factors

有了有序的因素，我们可以

# aggregate(height ~ id,df1,max)
#   id height
# 1  1   high
# 2  2 medium
# 3  3 medium
# 4  4    low
# 5  5 medium

通过阅读文档，特别是关于
levels
参数的部分，可以简单地回答问题的第一部分。这一点并不明显，但R中因子和无序因子之间唯一的主要区别是线性（广义线性等）模型中使用的默认对比度——常规模型的默认对比度（无序）因子是处理（
？控制处理
），有序因子的默认值是多项式（
？控制多边形
）--请参见
选项（“对比”）
。另一个区别是，您可以使用不等式运算符（
等）来比较有序因子的级别。
heights <- c("low","medium","high")

heights1 <- factor(heights, ordered = TRUE)
heights1
# [1] low    medium high  
# Levels: high < low < medium

heights2 <- factor(heights) # ordered = FALSE by default
heights2
# [1] low    medium high  
# Levels: high low medium

heights1<- factor(heights, levels = heights, ordered = TRUE)
heights1
# [1] low    medium high  
# Levels: low < medium < high

heights2<- factor(heights, levels = heights)
heights2
# [1] low    medium high  
# Levels: low medium high

# > df1
#    id height
# 1   1    low          
# 2   1   high         
# 3   2 medium          
# 4   2    low          
# 5   3 medium          
# 6   3 medium          
# 7   4    low          
# 8   4    low          
# 9   5 medium          
# 10  5 medium

# aggregate(height ~ id,df1,max)
# Error in Summary.factor(c(2L, 2L), na.rm = FALSE) : 
# ‘max’ not meaningful for factors

# aggregate(height ~ id,df1,max)
#   id height
# 1  1   high
# 2  2 medium
# 3  3 medium
# 4  4    low
# 5  5 medium