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 + ......）。

•以优势比的形式解读对数几率上的乘法变化

有关为这些参数估计值计算 P 值的其他信息，请参见其他章节。

参数解读

解读逻辑回归的参数估计值比线性回归复杂。原因是我们对 Y 进行了转换，以建立对数几率模型。输出结果中 "参数估计值 "下列出的 β 系数估计值有如下解读：

如果我们谈论的是β2，那么我们可以说，在其他所有 X 值保持不变的情况下，X2 增加 1 个单位，Y 的对数几率就会增加 β2。

由于大多数人不会直观地用对数优势比来思考问题，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，要想知道给定参数的实际值、真实值，唯一的方法就是收集整个人群的信息。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。但是，由于实际上无法从每个人身上收集数据，因此需要收集样本。由于所选受试者的随机变异性，您从该样本中收集到的平均值会有一定误差。对于多元逻辑回归，Prism 报告的两个值可以让我们了解所提供参数系数估计值的误差大小：标准误差和剖面似然置信区间。

系数的标准误差可能很难解读，但简单来说，它提供了参数估计值的精确程度。

了解精确度概念的另一种方法是置信区间，置信区间为您提供了对所提供的系数估计值有多大把握的一些概念。一般的概念是，如果重复大量的实验，并且每次都为参数系数构建置信区间，那么这些置信区间中的 95%（95% 置信区间）将包含群体的真实参数系数。请注意，有些软件会报告使用上述标准误差计算出的对称置信区间。Prism 实际上计算的剖面似然置信区间更准确（但也稍显复杂）。这些置信区间可以是（通常是）围绕参数值的非对称置信区间。