Odds ratios in a logistic regression model are used to interpret the effect of the factors included in the model.Odds ratios in a logistic regression model are used to interpret the effect of the factors included in the model.Odds ratios in a logistic regression model are used to interpret the effect of the factors included in the model.Odds ratios in a logistic regression model are used to interpret the effect of the factors included in the model.Odds ratios in a logistic regression model are used to interpret the effect of the factors included in the model.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。 当人们尝试建模二元响应（是/否、生存/死亡、好/坏……）或顺序响应时，级别的顺序很重要（好/更好/最好、轻度/中度/严重、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，交互作用项的优势比更难以计算和解释。 对于交互作用项，不存在单一优势比。 要获得交互作用中涉及的一个主要效应的优势比，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，则当模型中包含交互项 A*B 时，您必须固定 B 的水平才能计算所需的优势比。
分析于联合管理计划没有什么不同。 为了进行演示，让我们看一个示例。 下面显示的（模拟）数据是从 100 个人中收集的，测量了他们的性别、年龄以及他们在过去六个月内是否经历过腰痛。
Partial display of the data collected.Partial display of the data collected.Partial display of the data collected.Partial display of the data collected.Partial display of the data collected.Partial display of the data collected.部分显示收集的数据。
拟合模型
在这个简单的示例中，逻辑回归模型可以用“疼痛”作为响应变量进行拟合，模型中包含的效应是“年龄”、“性别”以及“年龄”与“性别”交互项。 之所以包含交互项，是因为人们相信，随着年龄的增长，男性和女性的反应会有所不同。 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所示。 请注意，响应列“Pain”具有名义建模类型。 该指定对于分析是必要的。
Defining the Logistic Regression model.Defining the Logistic Regression model.Defining the Logistic Regression model.Defining the Logistic Regression model.Defining the Logistic Regression model.Defining the Logistic Regression model.定义逻辑回归模型。
从显示的结果中，从“名义 Logistic 拟合”弹出菜单中选择“保存概率公式”。 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
问题[是] – 响应为“是”的预测概率
问题[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.Saving the Probability Formula.Saving the Probability Formula.Saving the Probability Formula.Saving the Probability Formula.Saving the Probability Formula.保存概率公式。
获取优势比
公式将与每一列相关联。 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，我们有兴趣确定 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，查看使用上述公式计算的其他行。
Added rows to compute customized odds ratios.Added rows to compute customized odds ratios.Added rows to compute customized odds ratios.Added rows to compute customized odds ratios.Added rows to compute customized odds ratios.Added rows to compute customized odds ratios.添加了行来计算自定义优势比。
现在，第一个优势比计算如下：
或 = Exp(0.297472046-(-0.292264161)) = 1.8035
1.8035 的优势比表明，随着年龄从 55 岁增加到 65 岁，男性疼痛的几率增加 1.8035 倍。
第二个感兴趣的优势比计算如下：
或 = 经验 (0.0026039423-(-2.466015867)) = 经验(2.46861981) = 11.8061
这个比值比为 11.8061，表明 60 岁男性出现疼痛的几率是 60 岁女性的 11.8061 倍。 有关比值比的更详细描述，请查看有关此主题的 JMP 14 在线文档。
这些计算演示了一种使用 JMP 软件获取逻辑回归模型定制比值比的方法。 该方法不仅限于交互项；它可以与主效应一起使用。 因此，JMP 中给出的默认优势比在某些情况下可能就很好。 在许多情况下，必须手动定义感兴趣的测试，并且此处描述的方法将始终获得这些感兴趣的测试。
您好，谢谢您的解释。我有两个问题：
1) 在第一个例子中，您计算了55 岁男性与 65 岁男性中遭受疼痛的奇数比。这里您只有一组数据。例如，如果我有一个包含生物标志物（连续值）和癌症表现（是或否）的数据集，但我有很多观察值的生物标志物值相同或低于或高于截止值 (COV)，我的观察值的许多线性预测结果将低于或高于 COV。在这种情况下，如果我想确定患有 COV 上限与 COV 下限值的癌症的概率，是否应该计算所有低于和低于 COV 值的预测平均值 (LinYes)，然后应用公式计算 ODD 比率？
2) 我是否也可以使用分类变量来计算某种情况的概率。例如，当我将生物标记“A”用作连续变量，与其他生物标记“b”和“C”一起使用并应用拟合模型时，在效果摘要中，如果我将生物标记 A 更改为分类变量并将其指定为 COV 较低或较高，则 p 值会降低。我可以使用这个标准吗？
太感谢了
@Kfuenzal
您始终可以创建一个具有两个值的二元变量：“低于截止值/高于截止值”，并将其包含在模型中。这样做会丢失实际测量数据的信息。这可能是在查看分类效应与连续效应时 p 值不同的原因。
