Logistic回归中对数转换的预测变量的解释

我的逻辑模型中的预测变量之一已被日志转换。您如何解释对数转换的预测变量的估计系数，以及如何计算该预测变量对优势比的影响？

$b$$b$

在这种情况下，我通常选择对数以2为底，因此我可以将指数系数作为与预测变量加倍相关的比值比进行插值。

@gung是完全正确的，但是，如果你做决定保留它，你可以解释系数具有在每一个影响多个静脉输液，而不是每个除了静脉输液。

经常需要改变的一个IV是收入。如果将其包括在内，则每增加（例如）$ 1,000的收入都会对由比值比指定的比值比产生影响。另一方面，如果您将收入的log（10）取值，则收入每增加10倍，都会对优势比中指定的优势比产生影响。

这样做对于收入是有意义的，因为在许多方面，每年收入10,000美元的人比收入 100,000 美元的人，收入的增加1000 美元要大得多。

最后一点-尽管逻辑回归不做正态性假设，但即使OLS回归也不对变量做假设，但对误差进行假设（由残差估算）。

此答案改编自Fred L. Ramsey和Daniel W. Schafer撰写的The Statistics Sleuth。

如果您的模型方程式是：

$log(p/(1-p)) = \beta _{0} + \beta log(X)$

$k$$X$$k^{\beta }$

例如，对于以下情况，我具有以下模型：褥疮的存在会随着住院时间的延长而恶化。

$log(odds of bedsore)= -.44 + 0.45(length of stay)$

$\beta = 0.45$

$k$

$k=2$

$k^{\beta } = 2^{0.45} = 1.37$

$k=2$

$k=0.5$

$k^{\beta } = 0.5^{0.45} = 0.73$

$k=0.5$