对数优势比

对数优势比 (Log-Odds Ratio)

对数优势比，即优势比 (Odds Ratio, OR) 取自然对数后的值，是分类数据分析、Logistic回归以及流行病学中度量关联强度的核心统计量。

从优势到对数优势比

设某个二值事件发生的概率为 $p$，则该事件的优势 (Odds) 定义为 $p/(1-p)$，即"发生概率与不发生概率之比"。当 $p = 0.5$ 时优势为 1；$p > 0.5$ 时优势大于 1；$p < 0.5$ 时优势介于 0 与 1 之间。

给定两组（处理组与对照组，或暴露组与非暴露组），其事件发生概率分别为 $p_1$ 和 $p_2$，则优势比为：

优势比的取值范围为 $[0, +\infty)$，以 1 为中心（表示两组无差异）。这一不对称性给统计推断带来不便。对其取自然对数即得对数优势比：

对数优势比的取值范围扩展至 $(-\infty, +\infty)$，以 0 为中心——正值表示 $p_1 > p_2$，负值表示 $p_1 < p_2$，零值表示两组无差异。这一对称性使对数优势比在近似正态性和假设检验中具有天然优势。

与 Logistic 回归的深刻联系

对数优势比与 Logistic回归 之间存在着内在的数学联系。Logistic 回归模型设定：

其中左侧正是对数优势 ($\log$-odds)，又称 Logit 变换。对于一个二值解释变量 $X \in \{0, 1\}$，系数 $\beta_1$ 恰好等于对数优势比：

因此，Logistic 回归中的系数估计 $\hat{\beta}_1$ 本质上就是在估计对数优势比。这一关系是广义线性模型中链接函数理论的自然结果。

统计推断

对数优势比具有良好的大样本性质。基于 最大似然估计 (MLE)，对数优势比的估计量渐近服从正态分布：

其方差可通过 Delta 方法或直接由 Fisher信息矩阵 获得。对于最常见的 $2 \times 2$ 列联表，当四个单元格频数分别为 $a, b, c, d$ 时：

由此可构造 Wald置信区间：

再取指数即可还原为优势比的置信区间。当单元格频数较小时，通常加 0.5 的连续性修正（Haldane-Anscombe 修正）。

应用与注意

在流行病学中，优势比被广泛用于病例对照研究（case-control study），因为它不依赖于疾病的基线发病率，具有 retrospective 可估计性。在计量经济学中，对数优势比通过 二元选择模型（Logit、Probit）进入实证研究，广泛应用于劳动力参与、企业破产预测、信用评分等领域。

使用对数优势比时需注意：当事件概率极低（稀有事件）时，优势比近似于风险比 (Risk Ratio)，但在事件常见时两者相差悬殊，不应混淆。此外，Simpson悖论提醒我们，边际优势比与条件优势比可能出现方向反转，分层分析和混杂因素控制至关重要。