序数自变量的问题在于，由于根据定义，其级别之间的真实度量间隔是未知的，因此除了伞形“单调”之外，没有适当的类型关系可以被假定为先验。我们必须对此做一些事情，例如 - “筛选或组合变体”或“更喜欢最大化某物的东西”。

如果您坚持将您的李克特评级 IV 视为序数（而不是间隔或名义），我为您提供了一对替代方案。

1. 使用多项式对比，即模型中使用的每个此类预测器不仅以线性方式输入，而且以二次和三次方式输入。因此，不仅可以捕获线性，而且可以捕获更一般的单调效应（线性效应对应于保持为比例/间隔的预测变量，而其他两个效应将其视为具有不等间隔）。此外，还可以输入每个预测变量的虚拟变量，这将测试名义/因子效应。最后，你知道你的预测变量在多大程度上是因子，有多少是线性协变量，有多少是非线性协变量。这个选项在几乎任何回归（线性、逻辑、其他广义线性模型）中都很容易做到。它将消耗df s，因此样本量应该足够大。
2. 使用最佳缩放回归。这种方法将序数预测变量单调地转换为区间一，以最大化对预测变量的线性影响。CATREG（分类回归）是这个想法在 SPSS 中的一个实现。您的具体案例的一个问题是您想做逻辑回归，而不是线性回归，但 CATREG 不是基于 logit 模型的。我认为这个障碍相对较小，因为您的 predictand 只是 2 类（二元）：我的意思是您可能仍会进行 CATREG 以获得最佳缩放，然后使用优化的变换比例预测器进行最终逻辑回归。
3. 另请注意，在一个规模或序数 DV 和一个序数 IV Jonckheere-Terpstra测试的简单情况下，可能是合理的分析而不是回归。

也可能有其他建议。以上三个是我立即阅读您的问题时想到的。

让我推荐你也访问这些线程：Associating betweennominal and scale or orordinal ; ordinal 和 scale 之间的关联。尽管它们不是专门的回归，但它们可能会有所帮助。

但是这些线程是关于回归的，尤其是逻辑回归：你必须往里看：一、二、三、四、五。

只是添加到其他出色的答案：处理它的现代方法可以通过加法模型，通过样条表示序数自变量。如果您非常确定变量的效果是单调的，则可以限制为单调样条。（有关使用单调样条的示例，请参阅寻找适合 sigmoid 曲线的函数）。

在 R 中，如果您将序数预测器设为“有序因子”（例如使用 code ord <- factor(sample(1:5,20,replace=TRUE),ordered=TRUE) ），那么在线性模型中，它将通过正交多项式表示。

你需要虚拟变量，但你需要$k-1$虚拟变量，其中$k$是潜在响应的数量。在您有 5 个响应值 (1-5) 的情况下，您将创建 4 个虚拟变量。当响应为“5”时，您的四个虚拟变量将全为 0。有道理？