简单版本

优势比表示给定参数对结果的 "乘法效应"。如果某个参数的优势比为 2，那么该参数值每增加 1，逻辑回归所模拟的 "成功 "几率就会增加一倍。

详细版本

几率只是逻辑回归模型计算出的参数估计值的一种变换。不过，很多人认为在解读逻辑回归结果时，优势比要有用得多。原因在于，参数估计告诉您自变量（X）发生变化时，"对数几率"会发生多大变化。但 "对数几率"很难解释。相比之下，优势比率则告诉你，当与该比率比相关的自变量（X）变量发生变化时，优势比率会发生多大变化。在继续阅读之前，请确保您能分清概率和几率之间的区别。

多元逻辑回归拟合方程的标准形式是

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。如果我们对两边进行指数化处理，就会得到以下关系：

eln（几率）= eβ0+ β1*X1 + β2*X2 + ...，或

几率 = eβ0+ β1*X1 + β2*X2 + ...，或

几率 = (eβ0)*(eβ1*X1)*(eβ1*X2)*...

 

如果我们替换 (eβ0) =β0，我们得到

几率 =(β0)*(β1X1)*(β1X2)*...

 

这说明了前面提到的参数估计和优势比的关系：如果将参数估计部分的 β1 指数化，就会得到结果中优势比部分报告的 β1 值。利用这些知识，可以看出优势比的估计值有如下解读：

对于 β2，我们可以说，在其他所有 X 值保持不变的情况下，X2 增加 1 个单位对 Y 的几率产生的乘法效应等于β2的优势比估计值。

举个简单的本示例，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 几率"或 "三比一几率"）。如果β2估计为 2，那么 X2 增加 1 将导致几率增加到 6（或 "6:1 几率"）。

Prism 还为优势比参数提供置信区间。这些往往是被误解的统计概念，因为它们并不完全符合我们的直觉。置信区间的正确解读应为我们有 95% 的信心认为，在 lowerVal 和 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 值都是相同的。