要确认简单逻辑回归是否适合用于分析这些数据，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。

观测值（行）是否相互独立？

逻辑回归的基本假设之一是，每行数据都代表一个独特的、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，且每位受试者对应一行数据。 如果每位受试者被测量多次（例如在研究的各个时间点），则观测值就不独立，逻辑回归也不适用。如果部分参与者来自同一个家庭，独立性也会受到质疑，因为来自同一家庭的两个人之间的结果往往比两个互不相关的人更相似。

该模型是否能很好地拟合并预测数据？

所有模型都有误，但有些仍具实用价值……

Prism 提供了多种指标来评估简单逻辑回归模型对输入数据的拟合程度。不过，请注意，将模型拟合到数据以及解读拟合结果在某种程度上是主观的。在评估特定模型时，可以考虑以下几点：

•该模型能否对数据进行良好分类？换言之，该模型能否正确预测观测到的 0 和 1？您可以在 Prism 中通过多种方式评估这一点，例如使用 Tjur 的 R 平方、ROC 曲线（包括 ROC 曲线下面积）以及行分类表。

•逻辑回归模型是否优于仅截距模型？Prism 通过两种相关但略有不同的方法来检验这一概念：使用 Wald 检验来检查 β1 是否显著不为零，以及使用似然比检验来直接比较给定模型与仅截距模型。

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（通常）越好。在分析结果表格的底部，Prism 会报告模型中包含多少个观测值（“已分析行”）。 对于简单逻辑回归，一般经验法则是：结果为0的观测值至少有10个，结果为1的观测值至少有10个。

是否存在过拟合？

在简单逻辑回归中，您的预测变量（X）可能只是影响结果是否为“成功”的多个变量之一。如果模型的预测性能未达预期，可能是您遗漏了一些关键变量——这些变量要么未被测量，要么被您选择不纳入模型。 如果您只是选择不将它们纳入模型，那么您绝对应该使用多重逻辑回归来探究它们的影响——这是简单逻辑回归的自然延伸。点击此处阅读更多关于多重逻辑回归的内容。另一方面，如果关键变量是您未测量的，那您就没辙了。 请返回并重新进行实验，重点收集更多信息。之后再回来进行多重逻辑回归分析！