详细版本优势比仅是为逻辑回归模型转换计算的参数估计。然而，许多人发现在解读逻辑回归的结果时，优势比更有用。其原因是参数估计值告诉您，在自变量（X）改变时，“对数优势”会改变多少。但是“对数优势”难以解释。相反，优势比告诉您，在与优势比相关的自变量（X）改变时，优势比会改变多少。在继续阅读之前，确保您能说出概率和优势之间的差异。

多元逻辑回归拟合的方程的标准形式是：

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

ln（Odds） = β0 + β1*X1 + β2*X2 + …

也就是说，对数优势可以用线性方程来表示。如果我们对两边指数化，我们可得到以下关系式：

eln（Odds） = eβ0 + β1*X1 + β2*X2 + …，或者

Odds=eβ0 + β1*X1 + β2*X2 + …，或者

Odds=（eβ0）*（eβ1*X1）*（eβ1*X2）*…

 

如果我们替换（eβ0）= β0，我们得到

Odds=（β0）*（β1X1）*（β1X2）*…

 

这说明了参数估计值和先前提及的优势比之间的关系：如果您在参数估计部分中对β1指数化，则您将在结果的优势比部分获得报告的β1值。利用这一知识，可以看出优势比的估计值有以下解读：

对于β2，我们可以说，在所有其他X值均保持不变时，X2增加1个单位的倍增效果β2等于Y的优势的优势比估计值。

作为一个简单的示例，假设对于一组特定的值，您计算出“成功”的优势为3（有时称为“3:1优势”或“3比1优势”）。如果β2 估计为2，随后X2增加1将导致优势增加到6（或“6:1优势”）。

Prism还提供了优势比参数的置信区间。这些通常是令人误解的统计概念，因为它们并不完全是我们的直观所希望的。置信区间的正确解读如下：我们有95%的置信度认为lowerVal和upperVal之间的范围包括了该参数的真正优势比

请注意，对于特定的逻辑回归模型，为参数估计值和优势比计算的P值相同。