解释R中的逻辑回归输出

我正在使用进行R中的多元逻辑回归glm。预测变量是连续的和分类的。该模型摘要的摘录显示以下内容：

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 ‘ ’ 1

置信区间：

                  2.5 %       97.5 %
(Intercept)  0.10969506 1.863217e+03
Age          0.99565783 1.142627e+00
BMI          0.80089276 1.064256e+00
...

奇数比：

                 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
...

$Age$ $Age$ $Age$ $Age$

r logistic interpretation p-value

— 萨伯·沃尔夫
source

仅在10％的置信水平下才有意义，但置信区间为5％。

— 尼克·萨卜比

那么10％的置信区间将不包括1吗？

— 2011年

p值（最后一列第一张表）是在原假设为真的情况下获得或更差结果的机会。置信区间是一个/将在例如95％的时间内保持真实值的区域。如果它不具有假设的真实值，那么如果假设为真，则最多有5％的机会我们会获得所获得的结果或更糟的结果。因此，这意味着您的p值低于5％。p值和置信区间之间有非常密切的关系（统计数据101）。但是在短：是的，10％的CI将包括1

— 尼克Sabbe

看来您正在假设线性。这有什么道理？

— Frank Harrell 2013年

该站点上有很多问题可以帮助解释模型输出（这里有3个不同的示例1 2 3，如果您浏览存档，我相信还会有更多问题）。这也是UCLA 统计网站上的指南，该指南介绍了如何解释逻辑回归的系数。

尽管年龄系数的比值比接近于1，但这并不一定意味着影响很小（影响是小还是大通常是一个经验性问题，是一个规范性问题）。人们需要了解两次观察之间年龄的典型差异，以得出更明智的意见。

— 安迪·W
source

感谢您提供教程的链接，该链接看起来很全面。在发布问题之前，我确实在这里搜索过。链接1和3似乎与我的问题无关。

— 2011年

@SabreWolfy，链接1进一步阐明了如何以原始单位来解释系数，链接3描述了以概率来解释影响的步骤（这实际上适用于您的问题，该问题中的建议图将是对我的合理回答是，直接效应的大小很难在不知道年龄变化的情况下进行解释。

— 安迪W

({1.059}^{30} - 1) \times 100 % = 458 %

$(1.059^{30} -1)\times 100\% = 458\%$

UCLA链接已失效，但该链接可能对应（至少其内容有助于我理解此问题）。

— MBR