Я работаю над множественной логистической регрессией в R, используя glm. Переменные предиктора являются непрерывными и категориальными. Выдержка из резюме модели показывает следующее:
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 2.451e+00 2.439e+00 1.005 0.3150
Age 5.747e-02 3.466e-02 1.658 0.0973 .
BMI -7.750e-02 7.090e-02 -1.093 0.2743
...
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1Доверительные интервалы:
2.5 % 97.5 %
(Intercept) 0.10969506 1.863217e+03
Age 0.99565783 1.142627e+00
BMI 0.80089276 1.064256e+00
...Нечетные соотношения:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 1.159642e+01 11.464683 2.7310435 1.370327
Age 1.059155e+00 1.035269 5.2491658 1.102195
B 9.254228e-01 1.073477 0.3351730 1.315670
...
r
logistic
interpretation
p-value
SabreWolfy
источник
источник
Ответы:
Здесь на сайте есть множество вопросов, которые помогут с интерпретацией выходных данных моделей (вот три различных примера, 1 2 3 , и я уверен, что есть и другие, если вы покопаетесь в архиве). Вот также учебник на веб-сайте статистики UCLA о том, как интерпретировать коэффициенты для логистической регрессии.
Хотя отношение шансов для коэффициента возраста близко к единице, оно не обязательно означает, что эффект мал (большой или малый эффект часто является настолько же нормативным вопросом, сколь и эмпирическим). Нужно знать типичные различия в возрасте между наблюдениями, чтобы составить более обоснованное мнение.
источник