Prism 以两种方式报告参数估计值。

•参数估计值对对数几率的影响（请记住，对数几率 = β0 + β1 * X1 + β2 * X2 + ...）。

•以优势比形式对对数比值的乘法变化进行解读

关于这些参数估计值所计算的P值的更多信息，请参见其他部分。

参数解读

解读逻辑回归参数估计值比线性回归更为复杂。原因是我们将 Y 进行了转换，以建模对数几率。输出结果中“参数估计值”下列出的 β 系数估计值具有以下解读：

以 β2 为例，当所有其他 X 值保持恒定时，X2 每增加 1 个单位，Y 的几率就会增加 β2。

由于大多数人不会直观地用对数比值来思考，Prism 还提供了基于优势比的解读。

标准误差和置信区间

与许多其他分析（如多元线性回归）类似，了解给定参数的实际真实值的唯一方法是收集整个总体的信息。 例如，如果您想知道人类的平均体重，您可以（假设）测量每个人的体重并计算平均值。然而，由于实际上无法从每个人那里收集数据，因此需要抽取样本。从该样本中得出的平均值会因所选样本中的随机变异性而存在一定误差。 对于多重逻辑回归，Prism 会报告两个值，用以反映所给参数系数估计值中的误差程度：标准误差和剖面似然置信区间。

系数的标准误差可能难以解读，但简单来说，它反映了参数估计值的精确程度。

理解“精确度”这一概念的另一种方式是通过置信区间，它能让您大致了解对给定系数估计值的置信程度。 其基本原理是：如果将实验重复进行大量次，并每次为参数系数构建置信区间，那么其中 95% 的置信区间（对于 95% 置信区间而言）将包含总体中的真实参数系数。请注意，某些软件会报告基于上述标准误差计算出的对称置信区间。 Prism 实际上计算的是更精确（但稍显复杂）的剖面似然置信区间。这些置信区间在参数值周围可能是（通常也是）非对称的。