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变化的解读

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

逻辑回归的参数估计解读比线性回归更为复杂。原因是我们将 Y 进行了转换以拟合对数几率。输出结果中“参数估计”下列出的 β 系数估计值具有以下解读：

以 β2 为例，当其他所有 X 值保持不变时，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进行思考，Prism 还提供了基于优势比的解读。

标准误差与置信区间

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值的唯一方法是收集整个总体的信息。例如，若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受试者的随机变异性而存在一定误差。对于多元逻辑回归，Prism 会报告两个值，用以反映所提供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，它能反映参数估计的精确程度。

另一种理解精确度概念的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，并每次构建参数系数的置信区间，那么其中 95% 的区间（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，部分软件会报告基于上述标准误差计算的对称置信区间。而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通常呈非对称分布。