Multinomial logistisk regression | Stata Annoterat resultat

Denna sida visar ett exempel på en multinomial logistisk regressionsanalys med fotnoter som förklarar resultatet. Uppgifterna samlades in om 200 gymnasieelever och är resultat på olika tester, inklusive ett videospel och ett pussel. Utfallsmåttet i denna analys är den föredragna smaken av glass – vanilj, choklad eller jordgubb – från vilken vi kommer att se vilka samband som finns med poäng i videospel (video), poäng i pussel (pussel) och kön (kvinna). Vår svarsvariabel, ice_cream, kommer att behandlas som kategorisk under antagandet att nivåerna av ice_cream inte har någon naturlig ordning, och vi kommer att låta Stata välja referensgrupp. I vårt exempel blir detta vanilj. Som standard väljer Stata den mest frekvent förekommande gruppen som referensgrupp. I den första halvan av denna sida tolkas koefficienterna i termer av multinomiala log-odds (logits). Dessa kommer att ligga nära men inte vara lika med de log-odds som uppnås i en logistisk regression med två nivåer av utfallsvariabeln. I den andra halvan tolkas koefficienterna i termer av relativa riskkvoter.

use https://stats.idre.ucla.edu/stat/stata/output/mlogit, clear

För att köra regressionen kan man genom att få fram en frekvens av glasssmakerna i uppgifterna få information om valet av en referensgrupp.

tab ice_cream favorite flavor of ice cream | Freq. Percent Cum. ------------+----------------------------------- chocolate | 47 23.50 23.50 vanilla | 95 47.50 71.00 strawberry | 58 29.00 100.00 ------------+----------------------------------- Total | 200 100.00

Vanilj är den mest frekvent förekommande glassmaken och kommer att vara referensgruppen i detta exempel.

mlogit ice_cream video puzzle femaleIteration 0: log likelihood = -210.58254Iteration 1: log likelihood = -194.75041Iteration 2: log likelihood = -194.03782Iteration 3: log likelihood = -194.03485Iteration 4: log likelihood = -194.03485Multinomial logistic regression Number of obs = 200 LR chi2(6) = 33.10 Prob > chi2 = 0.0000Log likelihood = -194.03485 Pseudo R2 = 0.0786------------------------------------------------------------------------------ ice_cream | Coef. Std. Err. z P>|z| -------------+----------------------------------------------------------------chocolate | video | -.0235647 .0209747 -1.12 0.261 -.0646744 .017545 puzzle | -.0389243 .0195165 -1.99 0.046 -.0771759 -.0006726 female | .8166202 .3909813 2.09 0.037 .050311 1.582929 _cons | 1.912256 1.127256 1.70 0.090 -.2971258 4.121638-------------+----------------------------------------------------------------strawberry | video | .022922 .0208718 1.10 0.272 -.0179861 .0638301 puzzle | .0430036 .0198894 2.16 0.031 .0040211 .081986 female | -.032862 .3500153 -0.09 0.925 -.7188793 .6531553 _cons | -4.057323 1.222939 -3.32 0.001 -6.45424 -1.660407------------------------------------------------------------------------------(ice_cream==vanilla is the base outcome)

Iteration Loga

Iteration 0: log likelihood = -210.58254Iteration 1: log likelihood = -194.75041Iteration 2: log likelihood = -194.03782Iteration 3: log likelihood = -194.03485Iteration 4: log likelihood = -194.03485

>a. Iterationslogg – Detta är en förteckning över log sannolikheterna vid varje iteration. Kom ihåg att multinomial logistisk regression, liksom binär och ordnad logistisk regression, använder maximal sannolikhetsuppskattning, vilket är ett iterativt förfarande. Den första iterationen (kallad iteration 0) är loglikelihood för den ”noll” eller ”tomma” modellen, dvs. en modell utan prediktorer. Vid nästa iteration inkluderas prediktorerna i modellen. Vid varje iteration ökar log sannolikheten eftersom målet är att maximera log sannolikheten. När skillnaden mellan på varandra följande iterationer är mycket liten sägs modellen ha ”konvergerat”, iterationen upphör och resultaten visas. Mer information om denna process för binära resultat finns iRegression Models for Categorical and Limited Dependent Variables av J. Scott Long (sidan 52-61).

Modellsammanfattning

Multinomial logistic regression Number of obsc = 200 LR chi2(6)d = 33.10 Prob > chi2e = 0.0000Log likelihood = -194.03485b Pseudo R2f = 0.0786

b. Loglikelihood – Detta är loglikelihood för den anpassade modellen. Den används i Likelihood Ratio Chi-Square-testet för att avgöra om alla prediktorers regressionskoefficienter i modellen samtidigt är noll och i tester av inbäddade modeller.

c. Number of obs – Detta är antalet observationer som används i den multinomiala logistiska regressionen. Det kan vara mindre än antalet fall i datasetet om det saknas värden för vissa variabler i ekvationen. Som standard gör Stata en listvis radering av ofullständiga fall.

d. LR chi2(6) – Detta är ett Chi-Square-test för Likelihood Ratio (LR) som visar att för båda ekvationerna (choklad i förhållande till vanilj och jordgubbar i förhållande till vanilj) att minst en av prediktorernas regressionskoefficienter inte är lika med noll. Siffran inom parentes anger frihetsgraderna för Chi-Square-fördelningen som används för att testa LR Chi-Square-statistiken och definieras av antalet uppskattade modeller (2) gånger antalet prediktorer i modellen (3). LR Chi-Square-statistiken kan beräknas genom -2*( L(nollmodell) – L(anpassad modell)) = -2*((-210,583) – (-194,035)) = 33,096, där L(nollmodell) är från log sannolikheten med endast svarsvariabeln i modellen (Iteration 0) och L(anpassad modell) är log sannolikheten från den sista iterationen (om man antar att modellen konvergerade) med alla parametrar.

e. Prob > chi2 – Detta är sannolikheten för att få en LR-teststatistik som är lika extrem som, eller mer extrem än, den observerade statistiken under nollhypotesen; nollhypotesen är att alla regressionskoefficienter i båda modellerna samtidigt är lika med noll. Med andra ord är detta sannolikheten att få denna chi-square-statistik (33,10) eller en mer extrem om det i själva verket inte finns någon effekt av prediktorvariablerna. Detta p-värde jämförs med en specificerad alfa-nivå, vår vilja att acceptera ett typ I-fel, som vanligtvis fastställs till 0,05 eller 0,01. Det lilla p-värdet från LR-testet, <0,00001, skulle få oss att dra slutsatsen att minst en av regressionskoefficienterna i modellen inte är lika med noll. Parametern för chi-två-fördelningen som används för att testa nollhypotesen definieras av frihetsgraderna i den föregående linjen, chi2(6).

f. Pseudo R2 – Detta är McFaddens pseudo R-kvadrat. Logistisk regression har ingen motsvarighet till R-kvadratet som finns i OLS-regression, men många har försökt hitta en sådan. Det finns många olika typer av pseudo-R-kvadratstatistik. Eftersom denna statistik inte betyder det som R-kvadrat betyder i OLS-regression (andelen varians för svarsvariabeln som förklaras av prediktorerna), föreslår vi att denna statistik tolkas med stor försiktighet.

Parameteruppskattningar

------------------------------------------------------------------------------ ice_creamg | Coef.h Std. Err.j zk P>|z|k l-------------+----------------------------------------------------------------chocolate | video | -.0235647 .0209747 -1.12 0.261 -.0646744 .017545 puzzle | -.0389243 .0195165 -1.99 0.046 -.0771759 -.0006726 female | .8166202 .3909813 2.09 0.037 .050311 1.582929 _cons | 1.912256 1.127256 1.70 0.090 -.2971258 4.121638-------------+----------------------------------------------------------------strawberry | video | .022922 .0208718 1.10 0.272 -.0179861 .0638301 puzzle | .0430036 .0198894 2.16 0.031 .0040211 .081986 female | -.032862 .3500153 -0.09 0.925 -.7188793 .6531553 _cons | -4.057323 1.222939 -3.32 0.001 -6.45424 -1.660407------------------------------------------------------------------------------(ice_cream==vanilla is the base outcome)i

g. ice_cream – Detta är svarsvariabeln i den multinomiala logistiska regressionen. Under ice_cream finns två replikat av prediktorvariablerna, som representerar de två modeller som uppskattas: choklad i förhållande till vanilj och jordgubbar i förhållande till vanilj.

h och i. Coef. och referensgrupp – Detta är de uppskattade multinomiala logistiska regressionskoefficienterna respektive referensnivån för modellen. En viktig egenskap hos den multinomiala logitmodellen är att den skattar k-1 modeller, där k är antalet nivåer av utfallsvariabeln. I det här fallet har Stata som standard angett vanilj som referensgrupp och har därför skattat en modell för choklad i förhållande till vanilj och en modell för jordgubbar i förhållande till vanilj. Eftersom parameterskattningarna är relativa till referensgruppen är standardtolkningen av den multinomiala logiten att för en enhetsförändring i prediktorvariabeln förväntas logiten för utfall m i förhållande till referensgruppen förändras med respektive parameterskattning (som är i log-odds-enheter), givet att variablerna i modellen hålls konstanta.

choklad i förhållande till vanilj

video – Detta är den multinomiala logitskattningen för en ökning med en enhet av videopoängen för choklad i förhållande till vanilj, givet att de andra variablerna i modellen hålls konstanta. Om en försöksperson skulle öka sin videopoäng med en poäng, skulle de multinomiala log-oddsen för att föredra choklad framför vanilj förväntas minska med 0,024 enheter om alla andra variabler i modellen hålls konstanta.

pussel – Detta är den multinomiala logitskattningen för en ökning av pusselpoängen med en enhet för choklad i förhållande till vanilj, om de andra variablerna i modellen hålls konstanta. Om en försöksperson skulle öka sin pusselpoäng med en poäng skulle de multinomiala log-oddsen för att föredra choklad framför vanilj förväntas minska med 0,039 enheter om alla andra variabler i modellen hålls konstanta.

kvinna – Detta är den multinomiala logitskattningen som jämför kvinnor och män för choklad i förhållande till vanilj, om de andra variablerna i modellen hålls konstanta. Den multinomiala logiten för kvinnor i förhållande till män är 0,817 enheter högre för att föredra choklad framför vanilj, om alla andra prediktorvariabler i modellen hålls konstanta. Med andra ord är det mer sannolikt att kvinnor än män föredrar choklad framför vanilj.

_cons – Detta är den multinomiala logitskattningen för choklad i förhållande till vanilj när prediktorvariablerna i modellen värderas till noll. För män (variabeln kvinna värderas till noll) med noll poäng för video och pussel är logitvärdet för att föredra choklad framför vanilj 1,912. Observera att om video och pussel utvärderas till noll är det utanför det rimliga intervallet för möjliga resultat. Om poängen var medelvärdescentrerade skulle interceptet ha en naturlig tolkning: log odds för att föredra choklad framför vanilj för en man med genomsnittliga video- och pusselpoäng.

jordgubbe jämfört med vanilj

video – Det här är den multinomiala logit-estimatet för en ökning av videopoängen med en enhet för jordgubbe jämfört med vanilj, givet att de andra variablerna i modellen hålls konstanta. Om en försöksperson skulle öka sin videopoäng med en poäng, skulle de multinomiala log-oddsen för att föredra jordgubbar framför vanilj förväntas öka med 0,023 enheter om alla andra variabler i modellen hålls konstanta.

pussel – Detta är den multinomiala logitskattningen för en ökning av pusselpoängen med en enhet för jordgubbar i förhållande till vanilj, om de andra variablerna i modellen hålls konstanta. Om en försöksperson skulle öka sin pusselpoäng med en poäng skulle de multinomiala log-oddsen för att föredra jordgubbar framför vanilj förväntas öka med 0,043 enheter om alla andra variabler i modellen hålls konstanta.

kvinna – Det här är den multinomiala logit-estimaten för att jämföra kvinnor med män för jordgubbar i förhållande till vanilj, om de andra variablerna i modellen hålls konstanta. Den multinomiala logiten för kvinnor i förhållande till män är 0,033 enheter lägre för att föredra jordgubbar framför vanilj, givet att alla andra prediktorvariabler i modellen hålls konstanta. Med andra ord är det mer sannolikt att män än kvinnor föredrar jordgubbsglass framför vaniljglass.

_cons – Detta är den multinomiala logitskattningen för jordgubbsglass i förhållande till vaniljglass när prediktorvariablerna i modellen värderas till noll. För män (variabeln kvinna utvärderas till noll) med noll poäng för video och pussel är logitvärdet för att föredra jordgubbar framför vanilj -4,057.

j. Std Err – Detta är standardfelen för de enskilda regressionskoefficienterna för de två respektive modellerna som uppskattats. De används både vid beräkningen av teststatistiken z, med expoäng k, och konfidensintervallet för regressionskoefficienten, med expoäng l.

k. z och P>|z| – Teststatistiken z är förhållandet mellan koefficienten och den särskilda felmarginalen för respektive prediktor, och p-värdet P>|z| är sannolikheten för att teststatistiken z (eller en mer extrem teststatistik) skulle observeras under nollhypotesen. För en given alpha-nivå avgör z och P>|z| om nollhypotesen att en viss prediktorers regressionskoefficient är noll, med tanke på att resten av prediktorerna ingår i modellen, kan förkastas eller inte. Om P>|z|är mindre än alfa kan nollhypotesen förkastas och parameteruppskattningen anses vara signifikant på den alfa-nivån. Z-värdet följer en standardnormalfördelning som används för att testa en tvåsidig alternativ hypotes om att koefficienten inte är lika med noll. I multinomial logistisk regression är tolkningen av en parameteruppskattnings signifikans begränsad till den modell i vilken parameteruppskattningen beräknades. Exempelvis kan betydelsen av en parameteruppskattning i chokladmodellen i förhållande till vaniljmodellen inte antas gälla i jordgubbsmodellen i förhållande till vaniljmodellen.

choklad i förhållande till vanilj

För choklad i förhållande till vanilj är z-teststatistiken för prediktorvideon (-0,024/0,021) -1,12 med ett tillhörande p-värde på 0,261. Om vi sätter vår alfa-nivå till 0,05 skulle vi inte kunna förkasta nollhypotesen och dra slutsatsen att för choklad i förhållande till vanilj har regressionskoefficienten för video inte visat sig vara statistiskt annorlunda än noll, med tanke på att pussel och kvinna ingår i modellen.
För choklad i förhållande till vanilj är z-teststatistiken för prediktoren pussel (-0,039/0,020) -1,99 med ett tillhörande p-värde på 0,046. Om vi återigen fastställer vår alfa-nivå till 0,05 skulle vi förkasta nollhypotesen och dra slutsatsen att regressionskoefficienten för pussel har visat sig vara statistiskt annorlunda än noll för choklad i förhållande till vanilj, med tanke på att video och kvinna ingår i modellen.
För choklad i förhållande till vanilj är z-teststatistiken för prediktoren kvinna (0,817/0,391) 2,09 med ett tillhörande p-värde på 0,037. Om vi återigen fastställer vår alfa-nivå till 0,05 skulle vi förkasta nollhypotesen och dra slutsatsen att skillnaden mellan män och kvinnor har visat sig vara statistiskt annorlunda för choklad i förhållande till vanilj med tanke på attvideo och female ingår i modellen.
För choklad i förhållande till vanilj är z-teststatistiken för interceptet _cons (1,912/1,127) 1,70 med ett tillhörande p-värde på 0,090. Med en alfa-nivå på 0,05 skulle vi misslyckas med att förkasta nollhypotesen och dra slutsatsen att a) den multinomiala logiten för män (variabeln kvinna utvärderad till noll) och med noll video- och pusselpoäng i choklad i förhållande till vanilj visar sig inte vara statistiskt annorlunda än noll; eller b) för män med noll video- och pusselpoäng är det statistiskt osäkert om det är mer sannolikt att de klassificeras som föredrar choklad eller vanilj. Vi kan göra den andra tolkningen när vi betraktar _cons som en specifik kovariatprofil (män med noll video- och pusselpoäng). Baserat på koefficientens riktning och signifikans anger _cons om profilen skulle ha större benägenhet att klassificeras i den ena nivån av utfallsvariabeln än i den andra nivån.

jordgubb i förhållande till vanilj

För jordgubb i förhållande till vanilj är z-teststatistiken för prediktorvideon (0,023/0,021) 1,10 med ett tillhörande p-värde på 0,272. Om vi sätter vår alfa-nivå till 0,05 skulle vi inte kunna förkasta nollhypotesen och dra slutsatsen att för jordgubbar i förhållande till vanilj har regressionskoefficienten för video inte visat sig vara statistiskt annorlunda än noll, eftersom pussel och kvinna ingår i modellen.
För jordgubbar i förhållande till vanilj är z-teststatistiken för prediktoren pussel (0,043/0,020) 2,16 med ett tillhörande p-värde på 0,031. Om vi återigen fastställer vår alfa-nivå till 0,05 skulle vi förkasta nollhypotesen och dra slutsatsen att regressionskoefficienten för pussel har visat sig vara statistiskt annorlunda än noll för jordgubbar och smultron i förhållande till vanilj, med tanke på att video och kvinna ingår i modellen.
För jordgubbar och smultron i förhållande till vanilj är z-teststatistiken för prediktoren kvinna (-0,033/0,350) -0,09 med ett tillhörande p-värde på 0,925. Om vi återigen fastställer vår alfa-nivå till 0,05 skulle vi inte kunna förkasta nollhypotesen och dra slutsatsen att för jordgubbar i förhållande till vanilj har regressionskoefficienten för kvinna inte visat sig vara statistiskt annorlunda än noll eftersom pussel och video ingår i modellen.
För jordgubbar i förhållande till vanilj är z-teststatistiken för interceptet _cons (-4,057/1,223) -3,32 med ett tillhörande p-värde på 0,001. Med en alfa-nivå på 0,05 skulle vi förkasta nollhypotesen och dra slutsatsen att a) den multinomiala logiten för män (variabeln kvinna värderad till noll) och med noll video- och pusselpoäng i jordgubb i förhållande till vanilj är statistiskt olika från noll, eller b) för män med noll video- och pusselpoäng finns det en statistiskt signifikant skillnad mellan sannolikheten att klassificeras som att föredra jordgubb eller att föredra vanilj. En sådan man skulle med större sannolikhet klassificeras som en man som föredrar vanilj framför jordgubbar. Vi kan göra den andra tolkningen när vi betraktar _cons som en specifik kovariabelprofil (män med noll poäng för video och pussel). Baserat på koefficientens riktning och signifikans anger _cons om profilen skulle ha större benägenhet att klassificeras i den ena nivån av utfallsvariabeln än i den andra nivån.

l. – Detta är konfidensintervallet (CI) för en enskild multinomial logit-regressionskoefficient givet att de andra prediktorerna finns i modellen för utfall m i förhållande till referensgruppen. För en given prediktor med en konfidensnivå på 95 % skulle vi säga att vi är 95 % säkra på att den ”sanna” multinationella logit-regressionskoefficienten för populationen ligger mellan den nedre och den övre gränsen för intervallet för utfall m i förhållande till referensgruppen. Den beräknas som Coef. (zα/2)*(Std.Err.), där zα/2 är ett kritiskt värde för standardnormalfördelningen. KI är likvärdigt med z-teststatistiken: om KI inkluderar noll skulle vi misslyckas med att förkasta nollhypotesen att en viss regressionskoefficient är noll med tanke på att de andra prediktorerna finns i modellen. En fördel med ett CI är att det är illustrativt; det ger ett intervall där den ”sanna” parametern kan ligga.

Tolkning av den relativa riskkvoten

Nedan följer tolkningen av den multinomiala logistiska regressionen i termer av relativa riskkvoter och kan erhållas med hjälp av mlogit, rrr efter att ha kört den multinomiala logitmodellen eller genom att specificera alternativet rrr när den fullständiga modellen är specificerad. Denna del av tolkningen gäller för resultatet nedan.

mlogit ice_cream video puzzle female, rrr

Iteration 0: log likelihood = -210.58254Iteration 1: log likelihood = -194.75041Iteration 2: log likelihood = -194.03782Iteration 3: log likelihood = -194.03485Iteration 4: log likelihood = -194.03485Multinomial logistic regression Number of obs = 200 LR chi2(6) = 33.10 Prob > chi2 = 0.0000Log likelihood = -194.03485 Pseudo R2 = 0.0786------------------------------------------------------------------------------ ice_cream | RRRa Std. Err. z P>|z| b-------------+----------------------------------------------------------------chocolate | video | .9767108 .0204862 -1.12 0.261 .9373726 1.0177 puzzle | .9618236 .0187714 -1.99 0.046 .925727 .9993276 female | 2.262839 .8847276 2.09 0.037 1.051598 4.869199-------------+----------------------------------------------------------------strawberry | video | 1.023187 .0213558 1.10 0.272 .9821747 1.065911 puzzle | 1.043942 .0207633 2.16 0.031 1.004029 1.085441 female | .9676721 .3387 -0.09 0.925 .4872981 1.921595------------------------------------------------------------------------------(ice_cream==vanilla is the base outcome)

a. Relativ riskkvot – Detta är de relativa riskkvoterna för den multinomiala logitmodellen som visades tidigare. De kan erhållas genom att exponentiera de multinomiala logitkoefficienterna, ecoef, eller genom att ange alternativet rrr när kommandot mlogit utfärdas. Kom ihåg att den multinomiala logitmodellen skattar k-1 modeller, där den k:e e ekvationen är relativ till referensgruppen. RRR för en koefficient anger hur risken för att utfallet faller i jämförelsegruppen jämfört med risken för att utfallet faller i referensgruppen förändras med variabeln i fråga. En RRR > 1 anger att risken för att utfallet faller i jämförelsegruppen i förhållande till risken för att utfallet faller i referensgruppen ökar när variabeln ökar. Med andra ord är utfallet i jämförelsen mer sannolikt. En RRR < 1 indikerar att risken för att utfallet faller i jämförelsegruppen i förhållande till risken för att utfallet faller i referensgruppen minskar när variabeln ökar. Se tolkningarna av de relativa riskförhållandena nedan för exempel. I allmänhet gäller att om RRR < 1 är det mer sannolikt att utfallet hamnar i referensgruppen.

choklad relativt vanilj

video – Detta är den relativa riskkvoten för en ökning med en enhet i videopoäng för att föredra choklad framför vanilj, givet att de andra variablerna i modellen hålls konstanta. Om en försöksperson skulle öka sin videopoäng med en enhet skulle den relativa risken för att föredra choklad framför vanilj förväntas minska med en faktor 0,977 om de andra variablerna i modellen hålls konstanta. Så, givet en ökning av video med en enhet, skulle den relativa risken att tillhöra chokladgruppen vara 0,977 gånger mer sannolik när de andra variablerna i modellen hålls konstanta. Mer allmänt kan vi säga att om en försöksperson skulle öka sin videopoäng skulle vi förvänta oss att hon skulle vara mer benägen att föredra vaniljglass framför chokladglass.

pussel – Detta är det relativa riskförhållandet för en ökning av pusselpoängen med en enhet för att föredra choklad framför vanilj, givet att de andra variablerna i modellen hålls konstanta. Om en försöksperson skulle öka sin pusselpoäng med en enhet skulle den relativa risken för att föredra choklad framför vanilj förväntas minska med en faktor 0,962, givet att de andra variablerna i modellen hålls konstanta. Mer allmänt kan vi säga att om två försökspersoner har identiska videopoäng och båda är kvinnor (eller båda är män), är det mer sannolikt att försökspersonen med det högre pusselpoängen föredrar vaniljglass framför chokladglass än försökspersonen med det lägre pusselpoängen.

kvinna – Detta är det relativa riskförhållandet när man jämför kvinnor med män när det gäller att föredra choklad framför vaniljglass, givet att de andra variablerna i modellen hålls konstanta. För kvinnor i förhållande till män skulle den relativa risken för att föredra choklad i förhållande till vanilj förväntas öka med en faktor 2,263 om de andra variablerna i modellen hålls konstanta. Med andra ord är det mer sannolikt att kvinnor än män föredrar chokladglass framför vaniljglass.

jordgubb i förhållande till vanilj

video – Detta är den relativa riskkvoten för en ökning med en enhet i videopoäng för att föredra jordgubb i förhållande till vanilj, givet att de andra variablerna i modellen hålls konstanta. Om en försöksperson skulle öka sin videopoäng med en enhet, skulle den relativa risken för jordgubbar i förhållande till vanilj förväntas öka med en faktor 1,023, eftersom de andra variablerna i modellen hålls konstanta. Mer allmänt kan vi säga att om en försöksperson ökar sin videopoäng, kan vi förvänta oss att hon är mer benägen att föredra jordgubbsglass framför vaniljglass.

pussel – Detta är det relativa riskförhållandet för en ökning av pusselpoängen med en enhet för att föredra jordgubbsglass framför vaniljglass, givet att de andra variablerna i modellen hålls konstanta. Om en försöksperson skulle öka sin pusselpoäng med en enhet skulle den relativa risken för jordgubbar i förhållande till vanilj förväntas öka med en faktor 1,043, givet att de andra variablerna i modellen hålls konstanta. Mer allmänt kan vi säga att om två försökspersoner har identiska videopoäng och båda är kvinnor (eller båda är män) är det mer sannolikt att försökspersonen med det högre pusselpoängen föredrar jordgubbsglass framför vaniljglass än försökspersonen med det lägre pusselpoängen.

kvinna – Detta är det relativa riskförhållandet som jämför kvinnor med män för jordgubbsglass i förhållande till vaniljglass, givet att de andra variablerna i modellen hålls konstanta. För kvinnor i förhållande till män skulle den relativa risken för att föredra jordgubbar framför vanilj förväntas minska med en faktor 0,968 om de andra variablerna i modellen hålls konstanta. Med andra ord är det mindre sannolikt att kvinnor än män föredrar jordgubbsglass framför vaniljglass.

b. – Detta är KI för det relativa riskförhållandet givet att de andra prediktorerna finns med i modellen. För en given prediktor med en konfidensnivå på 95 % skulle vi säga att vi är 95 % säkra på att det ”sanna” relativa riskförhållandet för populationen som jämför utfall m med referensgruppen ligger mellan den nedre och övre gränsen för intervallet. En fördel med ett KI är att det är illustrativt; det ger ett intervall där det ”sanna” relativa riskförhållandet kan ligga.