简洁版

优势比代表了某个给定参数对结果产生的“乘法效应”。如果某个参数的优势比为2，那么该参数的数值每增加1，在逻辑回归模型中，被建模的“成功”事件发生的概率就会翻倍。

详细版

优势比实际上只是对逻辑回归模型中计算出的参数估计值的一种转换。然而，许多人认为在解读逻辑回归结果时，优势比要实用得多。原因在于，参数估计值仅能告诉您当自变量（X）发生变化时，“对数比值”会发生多大变化。 但“优势比”难以解释。相比之下，优势比则能说明当与该优势比相关的自变量（X）发生变化时，优势比会发生多大变化。在继续阅读之前，请确保您能区分概率和优势比。

多元逻辑回归拟合方程的标准形式为：

ln[P(Y=1)/P(Y=0)] = β0 + β1*X1 + β2*X2 + …，或

ln(几率) = β0 + β1*X1 + β2*X2 + …

也就是说，对数几率可以表示为一个线性方程。如果对等式两边取指数，则得到以下关系式：

eln(几率) = e^(β0 + β1*X1 + β2*X2 + …) 或

几率 = e^(β0) + β1*X1 + β2*X2 + …，或者

几率 = (eβ0) × (eβ1 × X1) × (eβ1 × X2) × …

 

若将 (eβ0) 替换为 β0，则得

几率 = (β0) * (β1X1) * (β1X2) * …

 

这说明了参数估计值与前文提到的优势比之间的关系：如果在参数估计部分对 β1 取指数，就会得到结果中优势比部分所报告的 β1 的值。利用这一知识，可以看出优势比的估计值具有以下解释：

对于 β2，我们可以认为，在所有其他 X 值保持恒定的情况下，X2 每增加 1 个单位，对 Y 的几率比会产生一个等于 β2 的优势比估计值的乘法效应。

举一个简单的例子：假设对于一组给定的值，您计算出“成功”的几率为3（有时称为“3:1的几率”或“三比一的几率”）。 如果 β2 的估计值为 2，那么 X2 增加 1 单位将导致几率上升至 6（或“6:1 的几率”）。

Prism 还提供了优势比参数的置信区间。这些统计概念常被误解，因为它们并不完全符合我们的直觉。对置信区间的正确解读应为：我们有 95% 的置信度认为，lowerVal 与 upperVal 之间的范围包含了该参数的真实优势比。

请注意，对于给定的逻辑回归模型，参数估计值和优势比的计算 P 值将相同。