Regardez le coefficient de régression non standardisé (qui peut être appelé B sur votre sortie) pour chaque variable indépendante. Pour les variables continues indépendantes, ce qui représente la variation de la variable dépendante pour chaque changement d'unité de la variable indépendante. Dans l'exemple, si l'âge avait un coefficient de régression de 2.1, cela signifierait que la valeur prédite de la dépression augmente de 2,1 unités pour chaque année d'âge.
Pour les variables catégorielles, la sortie doit afficher un coefficient de régression pour chaque niveau de la variable de un, sauf celui qui manque est appelé le niveau de référence. Chaque coefficient représente la différence entre ce niveau et le niveau de référence sur la variable dépendante. Dans l'exemple, si le groupe ethnique de référence est «Blanc» et le coefficient non standardisé pour "Black" est -1.2, cela voudrait dire que la valeur prédite de la dépression pour les Noirs est de 1,2 unités inférieur à celui des Blancs.
Regardez les coefficients standardisés (qui peut être marqué avec la lettre bêta grec). Ceux-ci peuvent être interprétés de manière similaire aux coefficients non normalisés, seulement ils sont maintenant en termes d'unités d'écart-type de la variable indépendante, plutôt que des unités brutes. Cela peut aider à comparer les variables indépendantes les unes aux autres.
Regardez les niveaux de signification, ou P-valeurs, pour chaque coefficient (ceux-ci peuvent être étiquetés «Pr>" ou quelque chose de similaire). Celles-ci vous indiquent si la variable associée est statistiquement significative. Cela a une signification très particulière qui est souvent déformé. Cela signifie que le coefficient de cette haute ou plus dans un échantillon de cette taille serait peu probable de se produire si le coefficient réel, dans l'ensemble de la population à partir de laquelle cette est tiré, était de 0.
Regardez R au carré. Cela montre que la proportion de variation de la variable dépendante est pris en compte par le modèle.