赔率

赔率 (Odds)

赔率 (Odds) 是概率论与统计学中描述事件发生可能性的另一种度量方式，定义为事件发生概率与不发生概率之比。若某事件发生的概率为 $p$（$0 \leq p < 1$），则其赔率为：

赔率与概率一一对应——给定赔率 $o$ 可反推概率 $p = o/(1+o)$。赔率的取值范围为 $[0, +\infty)$：赔率为 0 表示事件不可能发生；赔率为 1 表示发生与不发生等可能（即 $p = 0.5$）；赔率趋向无穷大表示事件几乎必然发生。与概率不同，赔率在取值上无上界，这一特性使其在回归建模中具有天然优势。

赔率与概率的区分

赔率与概率是两个密切相关但本质不同的概念。概率直接度量事件发生的可能性，取值在 $[0, 1]$；赔率则是发生与不发生的比值。以掷一枚公平骰子掷出 6 点为例：概率为 $1/6 \approx 0.167$，而赔率为 $(1/6) / (5/6) = 1:5$ 或 $0.2$。日常语言中"赔率"一词常与概率混用，但严格的统计学和计量经济学表述必须区分二者。

博彩中的赔率表示

博彩业使用多种赔率表示法：

1. 分数赔率 (Fractional Odds)：英国和爱尔兰常用，如 5/1（"五对一"），表示赌注 1 单位获胜可得 5 单位净收益，隐含概率为 $1/(5+1) \approx 0.167$。
2. 小数赔率 (Decimal Odds)：欧洲和澳大利亚常用，如 6.00，表示每投注 1 单位总回报为 6 单位（含本金），隐含概率为 $1/6.00 \approx 0.167$。
3. 美式赔率 (Moneyline Odds)：美国常用，正数（如 +500）表示投注 100 单位净赢 500 单位，负数（如 -200）表示需投注 200 单位才能净赢 100 单位。

博彩赔率并非纯粹的概率反映——博彩公司通过设置"抽水" (Vigorish) 使各结果的隐含概率之和超过 1，确保长期盈利。

计量经济学中的应用：对数赔率与 Logit 模型

赔率在计量经济学中最重要的应用是 对数赔率 (Log Odds 或 Logit)，定义为赔率的自然对数：

对数赔率的取值范围为 $(-\infty, +\infty)$，这一无界性使其适合作为线性回归的因变量。Logit模型（逻辑回归）正是通过将对数赔率建模为自变量的线性函数来处理二分类因变量：

其中 $p_i = \Pr(Y_i = 1 \mid X_i)$。这一设定将 $(0, 1)$ 区间上的概率问题转化为整条实数轴上的线性问题，并通过 Logit 变换的反函数——Logistic 函数 $p = 1/(1 + e^{-z})$——将线性预测值映射回概率空间。

优势比 (Odds Ratio)

优势比 (Odds Ratio, OR) 是两个赔率之比，广泛用于流行病学、医学统计和社会科学中衡量暴露因素与结果之间的关联强度。对于二分类暴露变量 $X \in \{0, 1\}$：

在 Logit 模型中，系数 $e^{\beta_j}$ 即为优势比——表示 $X_j$ 每增加一个单位，事件发生赔率乘以 $e^{\beta_j}$。优势比大于 1 表示正相关，小于 1 表示负相关，等于 1 表示无关联。需注意，当事件发生率较高时（如 $p > 0.1$），优势比会显著偏离相对风险 (Relative Risk)，应谨慎解读。

与相关概念的关系

赔率与 条件概率、贝叶斯定理 紧密相关。在 贝叶斯统计 中，后验赔率等于先验赔率乘以 似然比 (Likelihood Ratio)，这一关系构成了贝叶斯更新的简洁表达：

此外，赔率与 概率的 公理化定义（柯尔莫哥洛夫 公理体系）一脉相承——赔率的所有性质均可从概率公理导出。在金融经济学中，状态价格 和 风险中性定价 中也隐含赔率的逻辑：Arrow-Debreu 证券的价格之比可解读为市场对相应状态赋予的隐含赔率。