Prism基于最大似然估计提供β0和β1的最佳拟合值。请记住，可使用两种等价形式来表示逻辑模型的形式：

Log（Odds）=β0+β1*X，或

Logit（P（Y=1））=β0+β1*X

由于logit变换，对模型系数的解读比使用线性回归时更困难。β0和β1分别是适于Y=1时的对数优势的模型的截距和斜率。这一名称有点拗口，对大多数人而言，难以解读。就是这样（单说起来并没有多大帮助），“当X增加1个单位时，对数比值比增加β1。”但人们通常使用优势比来节段系数，如 后续章节中所述。您可在此了解有关概率、优势和对数优势关系的更多信息。

Prism报告了β0和β1估计的标准误差和（剖面似然）置信区间。

通常情况下，β0和β1分别称为简单逻辑回归的“截距”和“斜率”。请注意，这些术语仅与在Y轴上绘制对数（优势）时的回归图有关（见下文）。然而，通常情况下，Y=1的概率绘制在Y轴上，从而生成特征S形逻辑曲线：

概率Y=1 vs. X

β0=-4.614，β1=1.370

对数比值比 vs. X

β0=-4.614，β1=1.370