Traçar e interpretar a regressão logística ordinal

Eu tenho uma variável dependente ordinal, facilidade, que varia de 1 (não é fácil) a 5 (muito fácil). Aumentos nos valores dos fatores independentes estão associados a um aumento na classificação de facilidade.

Duas das minhas variáveis ​​independentes ( condAe condB) são categóricas, cada uma com 2 níveis e 2 ( abilityA, abilityB) são contínuas.

Estou usando o pacote ordinal em R, onde ele usa o que acredito ser

$$\text{logit}(p(Y \leqslant g)) = \ln \frac{p(Y \leqslant g)}{p(Y > g)} = \beta_{0_g} - (\beta_{1} X_{1} + \dots + \beta_{p} X_{p}) \quad(g = 1, \ldots, k-1)$$
(da resposta de @ caracal aqui ))

Aprendi isso de forma independente e agradeceria qualquer ajuda possível, pois ainda estou lutando com isso. Além dos tutoriais que acompanham o pacote ordinal, também achei útil o seguinte:

• Interpretação da regressão logística ordinal
• Coeficiente negativo na regressão logística ordenada

Mas estou tentando interpretar os resultados, juntar os diferentes recursos e estou ficando paralisado.

1. Eu li muitas explicações diferentes, abstratas e aplicadas, mas ainda estou tendo dificuldades para entender o que significa dizer:

   Com um aumento de 1 unidade no condB (ou seja, mudando de um nível para o próximo do preditor categórico), as chances previstas de observar Y = 5 versus Y = 1 a 4 (bem como as chances previstas de Y = 4 versus Y = 1 a 3) muda por um fator de exp (beta) que, para o diagrama, é exp (0,457) = 1,58.

   uma. Isso é diferente para as variáveis ​​independentes categóricas versus contínuas?
   b. Parte da minha dificuldade pode estar na idéia de probabilidades cumulativas e nessas comparações. ... É justo dizer que passar de condA = ausente (nível de referência) para condA = presente tem 1,58 vezes mais chances de ser classificado com um nível mais alto de facilidade? Tenho certeza de que NÃO está correto, mas não sei como defini-lo corretamente.

Graficamente,
1. Ao implementar o código neste post , estou confuso sobre o porquê dos valores de 'probabilidade' resultantes serem tão grandes.
2. O gráfico de p (Y = g) neste post faz mais sentido para mim ... com uma interpretação da probabilidade de observar uma categoria específica de Y com um valor específico de X. A razão pela qual estou tentando entender o gráfico em primeiro lugar é entender melhor os resultados em geral.

Aqui está a saída do meu modelo:

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

As anotações do curso Minhas estratégias de modelagem de regressão têm dois capítulos sobre regressão ordinal que podem ajudar. Veja também este tutorial.

As notas do curso detalham o que significam as suposições do modelo, como são verificadas e como interpretar o modelo ajustado.