Giải thích đầu ra hồi quy logistic trong R

Tôi đang làm việc trên một hồi quy logistic nhiều trong R bằng cách sử dụng glm. Các biến dự đoán là liên tục và phân loại. Một trích dẫn của bản tóm tắt của mô hình cho thấy như sau:

Coefficients:
               Estimate Std. Error z value Pr(>|z|)
(Intercept)   2.451e+00  2.439e+00   1.005   0.3150
Age           5.747e-02  3.466e-02   1.658   0.0973 .
BMI          -7.750e-02  7.090e-02  -1.093   0.2743
...
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Khoảng tin cậy:

                  2.5 %       97.5 %
(Intercept)  0.10969506 1.863217e+03
Age          0.99565783 1.142627e+00
BMI          0.80089276 1.064256e+00
...

Tỷ lệ lẻ:

                 Estimate Std. Error   z value Pr(>|z|)
(Intercept)  1.159642e+01  11.464683 2.7310435 1.370327
Age          1.059155e+00   1.035269 5.2491658 1.102195
B            9.254228e-01   1.073477 0.3351730 1.315670
...

$Age$$Age$$Age$$Age$

Có một loạt các câu hỏi ở đây trên trang web sẽ giúp giải thích đầu ra của các mô hình (đây là ba ví dụ khác nhau, 1 2 3 và tôi chắc chắn có nhiều hơn nếu bạn tìm hiểu về kho lưu trữ). Đây cũng là một hướng dẫn trên trang web thống kê UCLA về cách diễn giải các hệ số cho hồi quy logistic.

Mặc dù tỷ lệ chênh lệch cho hệ số tuổi gần bằng một nhưng điều đó không nhất thiết có nghĩa là hiệu ứng là nhỏ (cho dù hiệu ứng là nhỏ hay lớn thường là một câu hỏi chuẩn mực như là một câu hỏi thực nghiệm). Người ta sẽ cần phải biết sự thay đổi điển hình về tuổi giữa các quan sát để đưa ra ý kiến ​​sáng suốt hơn.