Tracciare e interpretare la regressione logistica ordinale

Ho una variabile dipendente ordinale, facilità, che varia da 1 (non facile) a 5 (molto facile). L'aumento dei valori dei fattori indipendenti è associato ad un aumento del grado di facilità.

Due delle mie variabili indipendenti ( condAe condB) sono categoriche, ognuna con 2 livelli e 2 ( abilityA, abilityB) sono continue.

Sto usando il pacchetto ordinale in R, dove utilizza ciò che credo sia

$$\text{logit}(p(Y \leqslant g)) = \ln \frac{p(Y \leqslant g)}{p(Y > g)} = \beta_{0_g} - (\beta_{1} X_{1} + \dots + \beta_{p} X_{p}) \quad(g = 1, \ldots, k-1)$$
(dalla risposta di @ caracal qui )

Ho imparato questo in modo indipendente e gradirei qualsiasi aiuto possibile poiché sto ancora lottando con esso. Oltre ai tutorial che accompagnano il pacchetto ordinale, ho trovato utili anche i seguenti:

• Interpretazione della regressione logistica ordinale
• Coefficiente negativo nella regressione logistica ordinata

Ma sto cercando di interpretare i risultati, mettere insieme le diverse risorse e mi sto bloccando.

1. Ho letto molte spiegazioni diverse, sia astratte che applicate, ma faccio ancora fatica a pensare a cosa significhi dire:

   Con un aumento di 1 unità di condB (ovvero, passando da un livello a quello successivo del predittore categorico), le probabilità previste di osservare Y = 5 rispetto a Y = 1 a 4 (nonché le probabilità previste di Y osservato = 4 rispetto a Y = da 1 a 3) cambia di un fattore di exp (beta) che, per il diagramma, è exp (0.457) = 1.58.

   un. È diverso per le variabili indipendenti categoriali e continue?
   b. Parte della mia difficoltà potrebbe essere con l'idea delle probabilità cumulative e quei confronti. ... È corretto affermare che passare da condA = assente (livello di riferimento) a condA = presente ha una probabilità 1,58 volte maggiore di essere valutato a un livello di facilità superiore? Sono abbastanza sicuro che NON sia corretto, ma non sono sicuro di come affermarlo correttamente.

Graficamente,
1. Implementando il codice in questo post , sono confuso sul perché i valori di "probabilità" risultanti siano così grandi.
2. Il grafico di p (Y = g) in questo post ha più senso per me ... con un'interpretazione della probabilità di osservare una particolare categoria di Y ad un particolare valore di X. Il motivo che sto cercando di ottenere il grafico in primo luogo è quello di comprendere meglio i risultati in generale.

Ecco l'output dal mio modello:

m1c2 <- clmm (easiness ~ condA + condB + abilityA + abilityB + (1|content) + (1|ID), 
              data = d, na.action = na.omit)
summary(m1c2)
Cumulative Link Mixed Model fitted with the Laplace approximation

formula: 
easiness ~ illus2 + dx2 + abilEM_obli + valueEM_obli + (1 | content) +  (1 | ID)
data:    d

link  threshold nobs logLik  AIC    niter     max.grad
logit flexible  366  -468.44 956.88 729(3615) 4.36e-04
cond.H 
4.5e+01

Random effects:
 Groups  Name        Variance Std.Dev.
 ID      (Intercept) 2.90     1.70    
 content  (Intercept) 0.24     0.49    
Number of groups:  ID 92,  content 4 

Coefficients:
                Estimate Std. Error z value Pr(>|z|)    
condA              0.681      0.213    3.20   0.0014 ** 
condB              0.457      0.211    2.17   0.0303 *  
abilityA           1.148      0.255    4.51  6.5e-06 ***
abilityB           0.577      0.247    2.34   0.0195 *  

Threshold coefficients:
    Estimate Std. Error z value
1|2   -3.500      0.438   -7.99
2|3   -1.545      0.378   -4.08
3|4    0.193      0.366    0.53
4|5    2.121      0.385    5.50

Le note del corso Le mie strategie di modellizzazione della regressione hanno due capitoli sulla regressione ordinale che possono aiutare. Vedi anche questo tutorial.

Le note del corso descrivono in dettaglio il significato dei presupposti del modello, il modo in cui vengono controllati e come interpretare il modello adattato.