使用 Python 状态模型的优势比
Odds ratios using Python statsmodels
我 运行 使用 statsmodels logit 进行逻辑回归，并且在下游计算每个自变量（即 exp(B)）的比值比。
我知道，按照惯例，优势比是根据变量值每增加“一个单位”来解释的。我认为我的最终问题是我如何知道这里真正的“一个单位”是什么，以及它是否取决于相关列数据的精度。
一个参数 respiratory_rate 具有整数值（22、26、30、12 等）。所以我可以假设 respiratory_rate 增加一个单位就是一个整数。
但是，第二个参数温度的值具有小数点到十分位的值（97.8、98.4、99.5、100.3 等）。这里，对于温度的优势比，“一个单位增加”是十分之一的增加，即增加0.1？
（我认为这可能特定于回归引擎，即 statsmodels，因此我在这里发帖与 stats.stackexchange）
简单的答案是 1 个单位对应 1 度的温度变化。整数单位更改仍然适用，就像在 respiratory_rate 中一样，您只是碰巧对温度变量有更高的精度。 OR = 2.75 意味着温度升高 1 个单位（1 度），结果的几率会增加 2.75 倍。
现在，也许让您的听众真正了解十分之一度变化的温度变化（即从 100.1 增加 0.1 到 100.2）很重要。他们可能需要那种精确度，因为即使温度的微小变化也特别有意义，我不知道。
但是为了适应新的上下文，您需要直接转换对数赔率。对数赔率就是赔率的对数。
要做到这一点，请确保您已将 numpy 导入为 np.现在假设我们的 OR = 2.75。 np.log(2.75) = 1.014。要以正常单位的十分之一（即度数变化 0.1）进行解释，我们将采用 1.014 * 0.1 = 0.1014（您的新对数赔率）。然后将其转换回您的优势比：np.exp(0.1014) = new OR = 1.1067.
所以你可以在这里说 2 件事中的 1 件事：
- 温度每升高 1 个单位（1 度），结果的几率就会增加 2.75 倍。
- 温度每升高 0.1 个单位（0.1 度），结果的几率就会增加 1.11 倍。
查看这篇文章了解更多信息：https://online.stat.psu.edu/stat462/node/207/
我 运行 使用 statsmodels logit 进行逻辑回归，并且在下游计算每个自变量（即 exp(B)）的比值比。
我知道，按照惯例，优势比是根据变量值每增加“一个单位”来解释的。我认为我的最终问题是我如何知道这里真正的“一个单位”是什么，以及它是否取决于相关列数据的精度。
一个参数 respiratory_rate 具有整数值（22、26、30、12 等）。所以我可以假设 respiratory_rate 增加一个单位就是一个整数。
但是，第二个参数温度的值具有小数点到十分位的值（97.8、98.4、99.5、100.3 等）。这里，对于温度的优势比，“一个单位增加”是十分之一的增加，即增加0.1？
（我认为这可能特定于回归引擎，即 statsmodels，因此我在这里发帖与 stats.stackexchange）
简单的答案是 1 个单位对应 1 度的温度变化。整数单位更改仍然适用，就像在 respiratory_rate 中一样，您只是碰巧对温度变量有更高的精度。 OR = 2.75 意味着温度升高 1 个单位（1 度），结果的几率会增加 2.75 倍。
现在，也许让您的听众真正了解十分之一度变化的温度变化（即从 100.1 增加 0.1 到 100.2）很重要。他们可能需要那种精确度，因为即使温度的微小变化也特别有意义，我不知道。
但是为了适应新的上下文，您需要直接转换对数赔率。对数赔率就是赔率的对数。
要做到这一点，请确保您已将 numpy 导入为 np.现在假设我们的 OR = 2.75。 np.log(2.75) = 1.014。要以正常单位的十分之一（即度数变化 0.1）进行解释，我们将采用 1.014 * 0.1 = 0.1014（您的新对数赔率）。然后将其转换回您的优势比：np.exp(0.1014) = new OR = 1.1067.
所以你可以在这里说 2 件事中的 1 件事：
- 温度每升高 1 个单位（1 度），结果的几率就会增加 2.75 倍。
- 温度每升高 0.1 个单位（0.1 度），结果的几率就会增加 1.11 倍。
查看这篇文章了解更多信息：https://online.stat.psu.edu/stat462/node/207/