Minitab Expressの2進ロジスティック回帰では、推定された係数の最も自然な解釈を提供するロジットリンク関数が使用されます。 この解釈では、参照イベントのオッズがp(イベント)/P(イベントではない)であるという事実を使用し、他の予測子は一定のままであると仮定します。 対数オッズが大きいほど、参照イベントの可能性が高くなります。 したがって、正の係数は、イベントがより可能性が高くなることを示し、負の係数は、イベントがより可能性が低くなることを示す。 さまざまなタイプの予測子の解釈の概要を以下に示します。
連続予測子連続予測子の係数は、予測子の単位増加ごとの参照イベントのオッズの自然対数の推定された変化です。連続予測子の係数は、予測子の単位増加ごとの参照イベントのオッズの自然対数の推定された変化です。 たとえば、秒単位の時間の係数が1.4の場合、オッズの自然対数は、追加の秒ごとに1.4増加します。 推定された係数は、オッズ比、または2つのオッズ間の比を計算するためにも使用することができる。 オッズ比を計算するには、予測子の係数を累乗します。 たとえば、キログラム単位の質量のオッズ比が0.95の場合、追加のキログラムごとにイベントの確率は約5%減少します。 連続予測子の場合、オッズの解釈はオッズ比の解釈よりも意味があります。 カテゴリカル予測子カテゴリカル予測子の推定係数の解釈は、予測子の参照水準に対する相対的なものです。 Minitab Expressでは、数値カテゴリカル予測子の参照水準は最低値の水準、テキストカテゴリカル予測子の参照水準はアルファベット順の最初の水準です。 正の係数は、イベントが参照レベルよりも予測子のそのレベルで発生する可能性が高いことを示します。 負の係数は、イベントが参照レベルよりも予測子のそのレベルで発生する可能性が低いことを示します。 係数は、参照レベルから係数のレベルに変更したときのオッズの自然対数の推定変化です。 たとえば、カテゴリ変数のレベルはFastとSlowであり、参照レベルはSlowです。 Fastの係数が1.3の場合、変数をSlowからFastに変更すると、イベントのオッズの自然対数が1.3増加します。 推定された係数は、オッズ比、または2つのオッズ間の比を計算するためにも使用することができる。 オッズ比を計算するには、レベルの係数を累乗します。 結果は、基準レベルと比較したレベルのオッズ比です。 たとえば、カテゴリカル変数にはHardとSoftのレベルがあり、Softは参照レベルです。 Hardのオッズ比が0.5の場合、SoftからHardへの変更により、イベントのオッズは50%減少します。