自我报告的健康状况、幸福感、态度和其他状态或认知往往会受到来自不同来源的偏见的影响。例如,对个人健康状况的评估可能取决于以前的医学诊断、功能状态以及疾病的症状和体征;以及生活方式行为,包括社会背景、性别、年龄、语言和其他文化因素(Jylha 2009<doi:10.1016/j.socscimed.2009.05.013>; Oksuzyan等人2019年<doi:10.1016/j.socscimed.2019.03.002>). hopit包提供了多功能函数,用于分析不同的自报告序数变量,并帮助估计其偏差。具体而言,该软件包提供了拟合广义有序probit模型的功能,该模型对两组自变量的原始自报告状态度量进行回归(King等人,2004年<doi:10.1017/S0003055403000881>; 2007年陪审团<doi:10.1002/月1134日>; Oksuzyan等人2019年<doi:10.1016/j.socscimed.2019.03.002>). 回归中包括的第一组变量(例如,健康变量)是与自我报告变量直接相关的个体状态和特征。就自我报告的健康状况而言,这些可能是慢性病、活动水平、日常活动困难、握力测试表现、人体测量和生活方式行为。第二组自变量(阈值变量)用于将相邻自我报告反应类别之间的切入点建模为个人特征的函数,如性别、年龄组、教育和国家(Oksuzyan等人2019<doi:10.1016/j.socscimed.2019.03.002>). 该模型有助于调整特定的社会-人口和文化差异,以将持续的潜在健康预测到有序的自测量表中。拟合模型可用于计算单个预测潜在状态变量、潜在指数和标准化潜在系数;并使其能够重新分类分类状态度量,该度量已针对报告行为中的跨行业差异进行了调整。
请使用规范形式https://CRAN.R-project.org/package=hopit链接到此页面。