分析明确筛选设计的二元响应的优势比

解释

使用优势比可以了解预测变量的效应。对优势比的解释取决于预测变量是类别变量还是连续变量。

连续预测变量的优势比

优势比大于 1 表示在预测变量越大，事件发生的几率越大。优势比小于 1 表示预测变量越大，事件发生的几率越小。

在这些结果中，该模型使用药物的剂量水平来预测成人体内是否存在细菌。在此示例中，不存在细菌为“事件”。每颗药的剂量为 0.5 毫克，因此研究人员使用 0.5 毫克作为一个单位变化。优势比约为 6。成人多服用一颗药，体内没有细菌的患者的优势就增加约 6 倍。

连续预测变量的优势比

	变更单位	优势比	95% 置信区间
剂量（毫克）	0.5	6.1279	(1.7218, 21.8087)

类别预测变量的优势比

对于类别预测变量，优势比可以比较事件在两个不同的预测变量水平发生的几率。Minitab 通过在水平 A 和水平 B 这两列中列出水平来设置比较。水平 B 是因子的参考水平。优势比大于 1 表示事件在水平 A 下发生的几率大。优势比小于 1 表示事件在水平 A 下发生的几率小。有关类别预测变量编码的更多信息，请转到类别预测变量的编码方案。

在这些结果中，类别预测变量是距离酒店旺季开始时间的月份。响应是客户是否取消预定房间。 在此示例中，取消预定房间为“事件”。当水平 A 为第 4 个月，水平 B 为第 1 个月时，最大的优势比大约为 7.71。这表示客户在第 4 个月取消预定房间的优势约为客户在第 1 个月取消预定房间的优势的 8 倍。

二值 Logistic 回归: Cancellation 与 月份

类别预测变量的优势比

水平 A	水平 B	优势比	95% 置信区间
月份
2	1	1.1250	(0.0600, 21.0834)
3	1	3.3750	(0.2897, 39.3165)
4	1	7.7143	(0.7461, 79.7592)
5	1	2.2500	(0.1107, 45.7172)
6	1	6.0000	(0.5322, 67.6397)
3	2	3.0000	(0.2547, 35.3325)
4	2	6.8571	(0.6556, 71.7169)
5	2	2.0000	(0.0976, 41.0019)
6	2	5.3333	(0.4679, 60.7946)
4	3	2.2857	(0.4103, 12.7323)
5	3	0.6667	(0.0514, 8.6389)
6	3	1.7778	(0.2842, 11.1200)
5	4	0.2917	(0.0252, 3.3719)
6	4	0.7778	(0.1464, 4.1326)
6	5	2.6667	(0.2124, 33.4861)

解释

使用此置信区间评估优势比的估计值。

例如，对于 95% 置信区间，置信区间包含总体优势比的值的可信度为 95%。置信区间有助于评估结果的实际意义。使用您的专业知识可以确定置信区间是否包括对您的情形有实际意义的值。如果区间因太宽而毫无用处，请考虑增加样本数量。