——本系列翻译自某大佬博客，是我看到很通俗易懂的逻辑回归结果解读的文章了，在此首先向大佬献上膝盖。
由于工作中经常用到逻辑回归，也看过不少相关文章，自己照猫画虎写过脚本，但一直停留在一知半解的程度，尤其对于p值如何计算，如何解释，哪些自变量是与因变量相关的，不知所以，一脸懵逼。数学早还给老师了。直到读到这位大佬的博客，真是开我茅塞。遂决定翻译过来，主要是做一个备忘，方便以后翻阅。
The KidCreative Logistic Regression
KidCreative数据集将作为我讲解逻辑回归结果解读的例子，贯穿整个系列。通过这个数据集，我们将尝试预测某个消费者回应e-maile并购买儿童杂志“Kid Creative”的可能性。我们通过实验收集了673组观看了“Kid Creative”广告的消费者的观测数据，其中每组观测数据记录了消费者是否会购买，以及性别、收入等一系列变量。由于因变量（是否购买杂志）是二元的数据，因此适用于逻辑回归分析。
逻辑回归分析结果的系数表如下：
根据逻辑回归的定义，预测一个消费者是否购买：
我们将在后续的文章中关注这个逻辑回归方程，当前我们主要讨论逻辑回归系数表。
逻辑回归的系数表和最小二乘回归的系数表有很多相同之处：
- 都将自变量的名字列在表的最左侧
- 都在第二列回归系数的估计值列
- 都在下一列列出了回归系数估计值的标准差
- 在第四列，两个表都计算了一个用于估计回归系数p值的统计量，这里的逻辑回归结果中，该统计量称作“z值”，而在最小二乘回归中，该统计量称作“t值”，但它们都服务于同一个目的。
- 随后的列中，两个表都计算了回归系数的p值，此处展示的逻辑回归结果中，p值用概率记法 Pr(> | z |)表示；最小二乘回归的结果中它被记作"p-value"，
在对最小二乘回归的简短回顾中，我简要概述了回归系数表的四个主要用途：
- 评价哪个变量是与因变量相关的
- 评价各自变量的影响大小
- 对结果作出预测
- 评价不确定性
对于逻辑回归的结果，只有其中一条是与最小二乘回归有很大区别的，那就是评估各自变量的影响。在随后的文章中我将逐个讨论回归系数表的这四个用途。
