对于我们大多数人来说，以概率的方式思考比使用优势比更直观。使用predict()函数，可

以观察某个预测变量在各个水平时对结果概率的影响。首先创建一个包含你感兴趣预测变量值的

虚拟数据集，然后对该数据集使用predict()函数，以预测这些值的结果概率。

现在我们使用该方法评价婚姻评分对婚外情概率的影响。首先，创建一个虚拟数据集，设定

年龄、婚龄和宗教信仰为它们的均值，婚姻评分的范围为1～5。

> testdata <- data.frame(rating=c(1, 2, 3, 4, 5), age=mean(Affairs$age),

yearsmarried=mean(Affairs$yearsmarried),

religiousness=mean(Affairs$religiousness))

> testdata

rating age yearsmarried religiousness

1 1 32.5 8.18 3.12

2 2 32.5 8.18 3.12

3 3 32.5 8.18 3.12

4 4 32.5 8.18 3.12

5 5 32.5 8.18 3.12

接下来，使用测试数据集预测相应的概率：

> testdata$prob <- predict(fit.reduced, newdata=testdata, type="response")

testdata

rating age yearsmarried religiousness prob

1 1 32.5 8.18 3.12 0.530

2 2 32.5 8.18 3.12 0.416

3 3 32.5 8.18 3.12 0.310

4 4 32.5 8.18 3.12 0.220

5 5 32.5 8.18 3.12 0.151

从这些结果可以看到，当婚姻评分从1（很不幸福）变为5（非常幸福）时，婚外情概率从0.53

降低到了0.15（假定年龄、婚龄和宗教信仰不变）。下面我们再看看年龄的影响：

> testdata <- data.frame(rating=mean(Affairs$rating),

age=seq(17, 57, 10),

yearsmarried=mean(Affairs$yearsmarried),

religiousness=mean(Affairs$religiousness))

> testdata

rating age yearsmarried religiousness

1 3.93 17 8.18 3.12

2 3.93 27 8.18 3.12

3 3.93 37 8.18 3.12

4 3.93 47 8.18 3.12

5 3.93 57 8.18 3.12

> testdata$prob <- predict(fit.reduced, newdata=testdata, type="response")

> testdata

rating age yearsmarried religiousness prob

1 3.93 17 8.18 3.12 0.335

2 3.93 27 8.18 3.12 0.262

3 3.93 37 8.18 3.12 0.199

4 3.93 47 8.18 3.12 0.149

5 3.93 57 8.18 3.12 0.109

此处可以看到，当其他变量不变，年龄从17增加到57时，婚外情的概率将从0.34降低到0.11。

利用该方法，你可探究每一个预测变量对结果概率的影响。