为了确认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 变量的各行是否为独立观察结果？

逻辑回归的一个基本假设是，每行数据都是一个独特的、独立的观察结果。独立观察结果的例子是针对 100 名随机选取的人进行的研究，其中 1 表示阳性结果，0 表示阴性结果，且每名受试者记录在一行中。如果对每名受试者进行了多次测量（例如在研究的各个时间点），则这些观察结果就不独立，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。

该模型是否能很好地拟合并预测数据？

所有模型都有误，但有些是有用的……

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。但需注意，模型拟合及其结果的解读在某种程度上具有主观性。评估特定模型时可考虑以下几点：

•逻辑模型能否有效分类数据？换言之，在设定适当阈值（如0.5）的情况下，模型能否正确预测观测到的0和1？您可在Prism中通过“预测值与观察值”图、分类表、Tjur's R²、ROC曲线以及行分类表来评估这一点。

•逻辑模型是否优于仅截距模型？您可以通过似然比检验来验证这一点。您可能还想运行 Hosmer-Lemeshow 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，估计的 P 值和标准误差将失去意义。请阅读关于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”页底部，Prism 将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导致了成功概率对数（log(odds)）的变化？如果不是，您是否仍希望将这些协变量纳入模型？ 有时出于解释目的，或基于您对实验及相关科学原理的理解而设计的实验方案，保留某些变量在模型中是必要的。然而，如果某个变量并非必需，或许只需说明它在其他X预测因子存在的情况下无法帮助预测结果，并将其移除即可。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，可能是因为遗漏了某些关键变量 - 这些变量要么未被测量，要么未被纳入模型。若关键变量属于未测量的范畴，除了重新收集更多数据外别无他法。但若某些变量是被有意排除在模型之外的，建议重新纳入这些变量，并考察其对模型性能的影响。 您还可以尝试对自变量进行交互作用和变换后拟合模型。