为了验证多元逻辑回归是否适用于这些数据，请自问以下问题。

因变量（Y）是否为二分类变量？

自变量（Y）只能取两个值，在 Prism 中，这些值必须编码为 0 和 1。

Y 变量的每一行是否为独立观察结果？

逻辑回归的基本假设之一是，每行数据都是一条独特的、独立观察结果。独立观察结果的例子包括：一项针对 100 名随机选取的受试者的研究，其中 1 表示阳性结果，0 表示阴性结果，且每位受试者记录在一行中。 如果每位受试者被测量多次（例如在研究的各个时间点），则这些观测值就不独立，逻辑回归就不适用。如果研究对象是50对已婚夫妇，将这些数据视为100个独立观察结果是不恰当的。

该模型能否很好地拟合和预测数据？

所有模型都有误，但有些仍具实用价值……

Prism 提供了多种指标来评估指定模型与输入数据的拟合程度。不过，请注意，模型与数据的拟合以及对拟合结果的解读在某种程度上是主观的。在评估给定模型时，可以考虑以下几点：

•逻辑回归模型能否对数据进行良好分类？换言之，在给定适当阈值（如 0.5）的情况下，模型能否正确预测观测到的 0 和 1？ 您可以在 Prism 中通过“预测值与观测值”图、分类表、Tjur 的 R 平方、ROC 曲线以及行分类表来评估这一点。

•逻辑回归模型的表现是否优于仅截距模型？您可以通过似然比检验来检验这一点。您可能还想运行霍斯默-莱梅肖检验。

自变量之间是否存在线性依赖度？

如果自变量存在严重的多重共线性，则估计的 P 值和标准误差将失去意义。请阅读有关多重共线性的更多内容以获取详细信息。

您是否有足够的数据来确保结果的可靠性？

与所有统计建模一样，数据越多越好。在分析结果的“表格结果”工作表底部，Prism 会报告模型中包含多少个观察值（“已分析行数”）、模型中包含多少个参数，以及这两个值的比率（“观察值数/参数数”）。 一个经验法则是：每个自变量（X）应至少包含十行“0”和十行“1”。

是否存在过拟合？

变量的变化是否确实会导致成功概率的对数（log(odds)）发生变化？如果不是，您是否仍希望将这些协变量纳入模型？有时，出于对实验及其相关科学原理的理解，或为了保持变量的解释性，将变量保留在模型中是必要的。 然而，如果某个变量并非必需，或许只需指出它在其他X预测变量存在的情况下无法帮助预测结果，然后将其移除即可。但移除变量存在争议，因此请务必深思熟虑后再行操作。

是否存在模型欠拟合？

如果预测性能未达预期，那么可能是您遗漏了一些关键变量——这些变量要么未被测量，要么未被纳入模型。如果关键变量是您未测量的，除了重新收集更多数据外，您别无他法。 然而，如果您将某些变量排除在模型之外，不妨考察在将这些变量纳入模型后，它们对模型性能的影响。您还可以尝试对X变量进行交互作用和变换，并据此拟合模型。