问题描述
我正在使用 statsmodels logit 运行逻辑回归，并在下游计算每个自变量（即 exp(B)）的优势比。
我知道，按照惯例，变量值每增加一个“单位”就会解释一个优势比。我想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，有整数值（22、26、30、12 等）。所以我可以假设呼吸频率增加一个单位就是一个整数。
但是，第二个参数温度的值带有小数点到十分位（97.8、98.4、99.5、100.3 等）。这里，对于温度的优势比，“增加一个单位”是十分之一的增加，即增加0.1吗？
（我认为这可能特定于回归引擎，即 statsmodels，因此为什么我在这里发布与 stats.stackexchange）
解决方法
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，就像它们在呼吸频率中一样，您只是碰巧对温度变量具有更高的精度。 OR = 2.75 意味着温度每升高 1 个单位（1 度），结果的几率就会增加 2.75 倍。
现在，让您的观众真正了解温度变化的十分之一可能很重要（即从 100.1 增加 0.1 到 100.2）。他们可能需要这种水平的精度，因为即使温度的轻微变化也特别有意义，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。对数优势只是优势比的对数。
要做到这一点，请确保您已将 numpy 作为 np.import 导入。现在假设我们的 OR = 2.75。 np.log(2.75) = 1.014。为了解释正常单位的十分之一（即 0.1 的度数变化），我们将取 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两件事中的一件：
- 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。
查看这篇大约一半的文章了解更多信息：https://online.stat.psu.edu/stat462/node/207/