如何解释逻辑回归系数（举例）
当响应变量是二元时，逻辑回归是我们可以用来拟合回归模型的方法。
当我们拟合逻辑回归模型时，模型结果的系数表示与预测变量增加一单位相关的响应变量对数似然的平均变化。
β = Average Change in Log Odds of Response Variable
我们经常想要了解与预测变量增加一单位相关的响应变量概率的平均变化，我们可以使用公式e β找到它。
e β = Average Change in Odds of Response Variable
以下示例展示了如何在实践中解释逻辑回归系数。
示例：如何解释逻辑回归系数
假设我们想要使用性别和练习考试的次数来拟合逻辑回归模型，以预测学生是否会通过班级期末考试。
假设我们使用统计软件（例如 R、 Python 、 Excel或SAS ）拟合模型并收到以下结果：
| 系数的估计 | 标准误 | Z值 | P值 | |
|---|---|---|---|---|
| 截距 | -1.34 | 0.23 | 5.83 | <0.001 |
| 男性） | -0.56 | 0.25 | 2.24 | 0.03 |
| 实践考试 | 1.13 | 0.43 | 2.63 | 0.01 |
如何解释性别（二元预测变量）
我们可以看到，性别的系数估计为负，表明男性通过考试的机会降低。
我们还可以看到，性别的 p 值小于 0.05，这意味着它对个人是否通过考试具有统计显着影响。
为了准确了解男性如何影响一个人是否通过考试，我们可以使用公式e β 。
e -0.56 = 0.57
我们将此解释为，假设模拟考试的数量保持不变，男性通过考试的可能性仅是女性的0.57倍。
我们还可以说，同样假设练习考试的数量保持不变，男性通过考试的可能性比女性低 (1 – 0.57) 43% 。
如何解读实践考试（连续预测变量）
我们可以看到，实践考试的系数估计为正，这表明每多参加一次实践考试就会增加通过期末考试的机会。
我们还可以看到，参加模拟考试次数的 p 值小于 0.05，这意味着它对个人是否通过期末考试具有统计显着影响。
为了量化每次额外的实践考试对个人是否通过期末考试的影响，我们可以使用公式e β 。
e 1.13 = 3.09
我们将此解释为，假设性别保持不变，则每多参加一次实践考试，通过期末考试的机会就会增加3.09 。
我们还可以说，每次额外参加的模拟考试都与通过期末考试的几率增加 (3.09 – 1) 209%相关，同样假设性别保持不变。
注意：请参阅本文以了解如何解释逻辑回归模型中的原始术语。
其他资源
以下教程提供有关逻辑回归的更多信息：
关于作者
本杰明·安德森博
大家好，我是本杰明，一位退休的统计学教授，后来成为 Statorials 的热心教师。 凭借在统计领域的丰富经验和专业知识，我渴望分享我的知识，通过 Statorials 增强学生的能力。了解更多