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.邏輯回歸模型中的優勢比用於解釋模型中包含的因素的影響。
邏輯回歸模型在工業界和學術界廣泛使用。 當人們嘗試建模二元響應（是/否、生存/死亡、好/壞……）或順序響應時，級別的順序很重要（好/更好/最好、輕度/中度/嚴重、等）這些模型中的優勢比用於解釋模型中包含的因素的影響。
由於優勢比的特性，交互作用項的優勢比更難以計算和解釋。 對於交互作用項，不存在單一優勢比。 要獲得交互作用中涉及的一個主要效應的優勢比，您必須定義另一個效應的固定水平。 也就是說，如果您想要效應 A 的優勢比，則當模型中包含交互項 A*B 時，您必須固定 B 的水平才能計算所需的優勢比。
分析於聯合管理計劃沒有什麼不同。 為了進行演示，讓我們看一個例子。 下面顯示的（模擬）數據是從 100 個人中收集的，測量了他們的性別、年齡以及他們在過去六個月內是否經歷過腰痛。
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.部分顯示收集的數據。
擬合模型
在這個簡單的示例中，邏輯回歸模型可以用“疼痛”作為響應變量進行擬合，模型中包含的效應是“年齡”、“性別”以及“年齡”與“性別”交互項。 之所以包含交互項，是因為人們相信，隨著年齡的增長，男性和女性的反應會有所不同。 響應級別 Pain=“Yes”將被建模為感興趣的事件。 可以通過選擇在 JMP 中設置此模型分析—>擬合模型並定義術語，如下面的啟動對話框所示。 請注意，響應列“Pain”具有名義建模類型。 該指定對於分析是必要的。
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.定義邏輯回歸模型。
從顯示的結果中，從“名義 Logistic 擬合”彈出菜單中選擇“保存概率公式”。 此選擇將在原始數據表中生成新列：
林[是] – 線性預測器，或預測的 logit 函數
問題[是] – 響應為“是”的預測概率
問題[否] – 響應為“否”的預測概率
最可能的疼痛– 響應的預測水平
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。
獲取優勢比
公式將與每一列相關聯。 為了獲得自定義的優勢比，請在定義比較設置的數據表中創建新行。 在這裡，我們有興趣確定 55 歲男性與 65 歲男性以及 60 歲男性與 60 歲女性的優勢比。請參閱下面的數據表以查看使用上述公式進行評估的其他行。
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.添加了行來計算自定義優勢比。
現在，第一個優勢比計算如下：
或 = Exp(0.297472046-(-0.292264161)) = 1.8035
1.8035 的優勢比表明，隨著年齡從 55 歲增加到 65 歲，男性疼痛的機率增加 1.8035 倍。
第二個感興趣的優勢比計算如下：
或 = 經驗 (0.0026039423-(-2.466015867)) = 經驗(2.46861981) = 11.8061
這個比值比為 11.8061，表明 60 歲男性出現疼痛的機率是 60 歲女性的 11.8061 倍。 有關比值比的更詳細描述，請查看有關此主題的 JMP 14 在線文檔。
這些計算演示了一種使用 JMP 軟件獲取邏輯回歸模型定制比值比的方法。 該方法不僅限於交互項；它可以與主效應一起使用。 因此，JMP 中給出的默認優勢比在某些情況下可能就很好。 在許多情況下，必須手動定義感興趣的測試，並且此處描述的方法將始終獲得這些感興趣的測試。
您好，謝謝您的解釋。我有兩個問題：
1) 在第一個範例中，您計算了55 歲男性與 65 歲男性遭受疼痛的奇數比。例如，如果我有一個包含生物標記（連續值）和癌症表現（是或否）的資料集，但我有很多生物標記具有相同值的觀察結果，或低於或高於截止值（COV ）我我的觀察結果將有許多線性預測結果，這些結果將低於或高於 COV。在這種情況下，如果我想確定出現具有較高COV 值與較低de COV 值的癌症的機率，是否應該計算低於和低於COV 的所有值的預測平均值(LinYes)，並應用以下公式計算ODD 比率公式？
2）我可以使用分類變數來計算條件的機率嗎？例如。當我使用生物標記“A”作為連續變量，與其他生物標記“b”和“C”一起並應用擬合模型時，在效果摘要中，如果我將生物標記A 更改為分配給它的分類變量，p 值會降低較低或較高的 COV。我可以使用這個標準嗎？
太感謝了
@Kfuenzal
您始終可以建立一個具有兩個值的二元變數：「低於截止值/高於截止值」並將其包含在模型中。這樣做會失去實際測量數據的資訊。這可能是考慮分類效應與連續效應時 p 值不同的原因。
