Prism以两种方式报告参数估计值。

•参数估计值对对数优势的影响（记住对数优势=β0+β1*X1+β2*X2+...）。

•对数优势倍增改变的解读形式为优势比

关于为这些参数估计值计算的P值的附加信息在其他地方提供。

参数解读

解读逻辑回归的参数估计值比解读线性回归更复杂。原因是我们已转换了Y来模拟对数优势。输出中“参数估计值”下列出的β系数估计值解读如下：

如果我们正在谈论β2，则我们可以说，当所有其他X值保持不变时，X2增加1个单位，Y的对数优势增加了β2。

由于大多数人并未凭直观思考对数优势，因此，Prism还提供了急于优势比的解读。

标准误差和置信区间

了解给定参数的实际真值的唯一方式是，收集整个群体的信息，这与许多其他分析（例如，多元线性回归）相似。例如，如果您想知道人类的平均体重，则您可（假设）测量每个人的体重，然后计算平均值。然而，由于您实际上无法从每个人身上收集数据，因此，您收集一个样本。由于您选定的受试者存在随机变化率，因此，您从样本中收集的平均值将存在一些误差。对于多元逻辑回归，Prism报告了两个值，其提出了关于所提供的参数系数估计中误差量的概念：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，但简单地说是，其提出了关于参数估计精确程度的概念。

另一种查看该精度概念的方式是使用置信区间，其为您提供了一些关于您如何确定所提供系数估计值的程度的概念。一般概念是，如果实验重复大量次数，而且每次均为参数系数构造置信区间，则这些区间的95%（对于95%置信区间）将包含群体的真实参数系数。请注意，某些软件报告了使用上述标准误差计算的对称置信区间。实际上，Prism计算更精确（但也稍微复杂）的剖面似然置信区间。这些区间在参数值附近可能（通常）不对称。