简明版

优势比代表了某个参数对结果产生的“乘法效应”。如果某个参数的优势比为2，那么该参数的数值增加1，将使逻辑回归模型中“成功”的几率翻倍。

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，许多人认为在解释逻辑回归结果时，优势比要实用得多。原因在于，参数估计值仅说明当自变量（X）发生变化时，“对数 odds”会发生多大变化。但“对数 odds”难以解释。 相比之下，优势比则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，请确保您能够区分概率和优势比。

多元逻辑回归拟合的方程标准形式为：

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。如果对等式两边都进行指数运算，我们会得到以下关系：

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

几率 = e^(β0) + β1*X1 + β2*X2 + …，或

几率 = (e^β0) * (e^(β1*X1)) * (e^(β1*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比之间的关系：若将参数估计部分中的 β1 取指数，即可得到结果中优势比部分所报告的 β1 值。利用这一知识，可以看出优势比的估计值具有以下解读：

对于 β2，我们可以认为，当所有其他 X 值保持恒定时，X2 增加 1 个单位对 Y 的几率具有乘法效应，其大小等于 β2 的优势比估计值。

举个简单的例子，假设对于一组给定的值，您计算出的“成功”几率为 3（有时称为“3:1 几率”或“三比一几率”）。如果 β2 的估计值为 2，那么 X2 增加 1 单位将导致该几率增加至 6（或“6:1 几率”）。

Prism 还为优势比参数提供了置信区间。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 值将保持一致。