Odds ratios in a logistic regression model are used to interpret the effect of the factors included in the model.逻辑回归模型中的优势比用于解释模型中包含的因素的影响。
逻辑回归模型在工业界和学术界广泛使用。 当尝试对二元响应（是/否、生/死、好/坏……）或等级排序很重要的有序响应（好/更好/最佳、轻度/中度/重度、等）这些模型中的优势比用于解释模型中包含的因素的影响。
由于优势比的特性，交互项的优势比更难以计算和解释。 对于交互项，没有单一的优势比。 要获得交互作用中涉及的主要效应之一的优势比，您必须定义另一个效应的固定水平。 也就是说，如果您想要效应 A 的优势比，当交互项 A*B 包含在模型中时，您必须固定 B 的水平以计算所需的优势比。
分析在JMP没有什么不同。 为了演示，让我们看一个例子。 下面显示的（模拟）数据是从 100 个人中收集的，测量他们的性别、年龄以及他们在过去六个月中是否经历过腰痛。
Partial display of the data collected.部分显示收集的数据。
拟合模型
在这个简单的例子中，逻辑回归模型可以拟合“疼痛”作为响应变量，模型中包含的效应是“年龄”、“性别”和“年龄”与“性别”交互项。 包含交互项是因为存在这样的信念，即随着年龄的增长，男性和女性的反应不同。 响应级别 Pain=”Yes” 将被建模为感兴趣的事件。 可以通过选择在 JMP 中设置此模型分析—>拟合模型并定义术语，如下面的启动对话框中所示。 请注意，响应列“疼痛”具有标称建模类型。 该指定对于分析是必要的。
Defining the Logistic Regression model.定义逻辑回归模型。
从显示的结果中，从 Nominal Logistic Fit 弹出菜单中选择“Save Probability Formula”。 此选择将在原始数据表中生成新列：
林[是] – 线性预测器，或预测的 logit 函数
概率[是] – 响应为“是”的预测概率
概率[否] – 响应为“否”的预测概率
最可能的疼痛– 响应的预测水平
Saving the Probability Formula.保存概率公式。
获得优势比
公式将与这些列中的每一列相关联。 为了获得自定义的优势比，请在定义比较设置的数据表中创建新行。 在这里，有兴趣确定 55 岁男性与 65 岁男性以及 60 岁男性与 60 岁女性的优势比。请参阅下面的数据表以查看使用上述公式评估的其他行。
Added rows to compute customized odds ratios.添加了行来计算自定义优势比。
现在，第一个优势比计算为：
或 = Exp(0.297472046-(-0.292264161)) = 1.8035
这个 1.8035 的优势比表明，随着年龄从 55 岁增加到 65 岁，男性出现疼痛的几率会增加 1.8035 倍。
第二个感兴趣的优势比计算为：
或 = Exp(0.0026039423-(-2.466015867)) = Exp(2.46861981) = 11.8061
这个 11.8061 的优势比表明 60 岁男性的疼痛几率是 60 岁女性的 11.8061 倍。 有关优势比的更详细说明，请查看有关此主题的 JMP 14 在线文档.
这些计算展示了一种使用 JMP 软件为逻辑回归模型获得定制优势比的方法。 此方法不仅限于交互项；它可以与主效果一起使用。 因此，在某些情况下，JMP 中给出的默认优势比可能很好。 在许多情况下，必须手动定义感兴趣的测试，而这里描述的方法总是会得到这些感兴趣的测试。
