如何解释逻辑回归截距（附示例）

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，模型输出中的原始项表示当所有预测变量都等于零时响应变量发生的对数几率。

然而，由于对数概率很难解释，我们通常用概率来构建截距。

假设模型中的每个预测变量均为零，我们可以使用以下公式来了解响应变量发生的概率：

 P = e β 0 / (1 +e β 0 )

以下示例展示了如何在实践中解释逻辑回归截距。

相关：如何解释逻辑回归系数

示例：如何解释逻辑回归截距

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：

我们可以看到原始项的值为-1.34 。

这意味着，当性别为零（即学生是女性）且实践考试为零（学生没有参加任何实践考试来准备期末考试）时，学生通过考试的对数几率为-1.34 。 。

由于对数赔率很难理解，我们可以用概率来重写：

• 成功概率 = e ^{β ₀} / (1 +e ^{β ₀} )
• 成功概率 = e ^-1.34 / (1 +e ^-1.34 )
• 成功概率 = 0.208

当两个预测变量都等于 0 时（即，未参加任何预备考试的学生），该学生通过期末考试的概率为0.208 。

其他资源

以下教程提供有关逻辑回归的更多信息：

如何报告逻辑回归结果
了解逻辑回归的原假设
逻辑回归和线性回归的区别