> mdata <-read.table("mental.csv", header=T, sep=",") > y <-mdata[,1] > x1 <-mdata[,2] > x2 <-mdata[,3] > mydata <-data.frame(y,x1,x2) > library(MASS) > myologit <- polr(as.factor(y) ~ x1 + x2, data=mydata, Hess=TRUE) > summary(myologit) Call: polr(formula = as.factor(y) ~ x1 + x2, data = mydata, Hess = TRUE) Coefficients: Value Std. Error t value x1 -1.1112 0.6109 -1.819 x2 0.3189 0.1210 2.635 Intercepts: Value Std. Error t value 1|2 -0.2819 0.6423 -0.4389 2|3 1.2128 0.6607 1.8357 3|4 2.2094 0.7210 3.0644 Residual Deviance: 99.0979 AIC: 109.0979 > y_pred <- predict(myologit, data=mydata, type="class") > y_pred [1] 1 4 1 1 2 1 2 1 1 2 2 2 2 4 1 2 4 1 4 2 4 2 1 1 1 1 2 4 2 2 2 4 1 2 4 2 2 4 4 4 Levels: 1 2 3 4 > sum(y==y_pred)/40 [1] 0.375 > y_pred_prob <- predict(myologit, data=mydata, type="probs") > y_pred_prob 1 2 3 4 1 0.62491585 0.2564222 0.07131474 0.04734725 2 0.11502358 0.2518325 0.24398557 0.38915837 3 0.39028430 0.3502175 0.14495563 0.11454256 4 0.46822886 0.3287373 0.11707594 0.08595788 5 0.28503416 0.3548980 0.18808642 0.17198137 6 0.69621280 0.2146344 0.05428168 0.03487110 7 0.35416883 0.3555319 0.15911298 0.13118624 8 0.46822886 0.3287373 0.11707594 0.08595788 9 0.46822886 0.3287373 0.11707594 0.08595788 10 0.19738781 0.3255946 0.22513070 0.25188691 11 0.35416883 0.3555319 0.15911298 0.13118624 12 0.28503416 0.3548980 0.18808642 0.17198137 13 0.31756633 0.3571768 0.17419493 0.15106190 14 0.10019399 0.2315350 0.24178533 0.42648565 15 0.46822886 0.3287373 0.11707594 0.08595788 16 0.35416883 0.3555319 0.15911298 0.13118624 17 0.15167000 0.2918553 0.23993344 0.31654127 18 0.54775531 0.2959818 0.09227179 0.06399113 19 0.13282485 0.2729369 0.24333367 0.35090454 20 0.31756633 0.3571768 0.17419493 0.15106190 21 0.11502358 0.2518325 0.24398557 0.38915837 22 0.22469945 0.3390046 0.21407808 0.22221786 23 0.46822886 0.3287373 0.11707594 0.08595788 24 0.62491585 0.2564222 0.07131474 0.04734725 25 0.42998727 0.3408054 0.13029529 0.09891202 26 0.39028430 0.3502175 0.14495563 0.11454256 27 0.22469945 0.3390046 0.21407808 0.22221786 28 0.04102612 0.1191445 0.18048372 0.65934567 29 0.25278003 0.3485130 0.20206806 0.19663890 30 0.17402747 0.3103145 0.23352933 0.28212871 31 0.22469945 0.3390046 0.21407808 0.22221786 32 0.15167000 0.2918553 0.23993344 0.31654127 33 0.54775531 0.2959818 0.09227179 0.06399113 34 0.19738781 0.3255946 0.22513070 0.25188691 35 0.13282485 0.2729369 0.24333367 0.35090454 36 0.17402747 0.3103145 0.23352933 0.28212871 37 0.17402747 0.3103145 0.23352933 0.28212871 38 0.15167000 0.2918553 0.23993344 0.31654127 39 0.05557758 0.1522454 0.20761767 0.58455931 40 0.04102612 0.1191445 0.18048372 0.65934567 > > myoprobit <- polr(as.factor(y) ~ x1 + x2, data=mydata, method="probit",Hess=TRUE) > summary(myoprobit) Call: polr(formula = as.factor(y) ~ x1 + x2, data = mydata, Hess = TRUE, method = "probit") Coefficients: Value Std. Error t value x1 -0.6834 0.36411 -1.877 x2 0.1954 0.06887 2.837 Intercepts: Value Std. Error t value 1|2 -0.1612 0.3797 -0.4245 2|3 0.7456 0.3849 1.9371 3|4 1.3392 0.4102 3.2648 Residual Deviance: 98.8397 AIC: 108.8397 > sum(y==y_pred)/40 [1] 0.4 > y_pred_prob <- predict(myoprobit, data=mydata, type="probs") > y_pred_prob 1 2 3 4 1 0.62809954 0.2632315 0.07483254 0.03383640 2 0.10823188 0.2627809 0.23323955 0.39574772 3 0.39772901 0.3436440 0.15134732 0.10727969 4 0.47453351 0.3258342 0.12419895 0.07543336 5 0.29051331 0.3481649 0.18987652 0.17144525 6 0.69922588 0.2242704 0.05494290 0.02156078 7 0.36072016 0.3482159 0.16471493 0.12634899 8 0.47453351 0.3258342 0.12419895 0.07543336 9 0.47453351 0.3258342 0.12419895 0.07543336 10 0.19897629 0.3255553 0.21925768 0.25621078 11 0.36072016 0.3482159 0.16471493 0.12634899 12 0.29051331 0.3481649 0.18987652 0.17144525 13 0.32470537 0.3497440 0.17771802 0.14783263 14 0.09121819 0.2436619 0.23146019 0.43365969 15 0.47453351 0.3258342 0.12419895 0.07543336 16 0.36072016 0.3482159 0.16471493 0.12634899 17 0.14902255 0.2977495 0.23036951 0.32285844 18 0.55229936 0.2981323 0.09821047 0.05135785 19 0.12757286 0.2810357 0.23287076 0.35852071 20 0.32470537 0.3497440 0.17771802 0.14783263 21 0.10823188 0.2627809 0.23323955 0.39574772 22 0.22746025 0.3359325 0.21091782 0.22568944 23 0.47453351 0.3258342 0.12419895 0.07543336 24 0.62809954 0.2632315 0.07483254 0.03383640 25 0.43597454 0.3360801 0.13768798 0.09025734 26 0.39772901 0.3436440 0.15134732 0.10727969 27 0.22746025 0.3359325 0.21091782 0.22568944 28 0.02747037 0.1281718 0.18196980 0.66238806 29 0.25786800 0.3434969 0.20109014 0.19754497 30 0.17294576 0.3127853 0.22576717 0.28850177 31 0.22746025 0.3359325 0.21091782 0.22568944 32 0.14902255 0.2977495 0.23036951 0.32285844 33 0.55229936 0.2981323 0.09821047 0.05135785 34 0.19897629 0.3255553 0.21925768 0.25621078 35 0.12757286 0.2810357 0.23287076 0.35852071 36 0.17294576 0.3127853 0.22576717 0.28850177 37 0.17294576 0.3127853 0.22576717 0.28850177 38 0.14902255 0.2977495 0.23036951 0.32285844 39 0.04235452 0.1645584 0.20460655 0.58848055 40 0.02747037 0.1281718 0.18196980 0.66238806 >