1. 创建数据表

在“欢迎”或“新建数据表”对话框中，选择创建 XY 数据表。请务必选中“为每个数据点输入并绘制单个 Y 值”选项。Prism 中的简单逻辑回归目前不支持在子列中输入重复数据。若需输入重复数据，只需将每个重复数据及其对应的 X 值和观察值分别添加到单独的一行中即可。

如果您想了解 Prism 如何处理示例数据集，请选择示例数据：“简单逻辑回归”。 否则，如果您想输入自己的数据，请确保 Y 值为二元变量，且严格编码为 0 和 1。如果您的因变量未编码为 0 和 1，Prism 将无法执行简单逻辑回归（或多重逻辑回归）（阅读更多关于二元因变量的信息）。

提示：要轻松区分哪些结果被编码为 1、哪些被编码为 0，一个简单的方法是将“是/否”问题作为 Y 列的标题。 采用此方法，您可以输入“1”来回答“是”，输入“0”来回答“否”。

2. 分析选项

要运行简单逻辑回归，请单击工具栏中的“分析”按钮，然后从 XY 分析列表中选择“简单逻辑回归”。简单逻辑回归的参数对话框提供了多种自定义选项。若需更多分析选项，可考虑将数据复制到多变量数据表中，并使用多变量逻辑回归分析。

a. 分类与插值

本节中的选项提供了有关模型在预测阳性结果和阴性结果（在数据中分别输入为 1 和 0）方面的表现信息。 您可以要求 Prism 生成 ROC 曲线，并在结果表中报告 ROC曲线下面积（AUC）。AUC 反映了逻辑回归模型在各种可能的阈值下对观测数据的分类效果。如需进一步了解 ROC 曲线，请参阅此页面。

选择“每个受试者的分类”将生成一个名为“行分类”的新绿色表格，该表格首先复制观测到的 X 值列，并添加一列，其中包含简单逻辑回归模型对每个 X 值的预测概率。请注意，您可以使用此选项来预测特定 X 值下的新观测值。 要实现这一点，只需在原始数据表底部添加一行，填写所需的 X 值（或多个值），并将相应的 Y 值留空（请注意，此过程与简单线性回归中的插值方法非常相似，但无需选择额外选项即可自动完成）。

b. 拟合优度

除了分类性能外，Prism 还提供了四种评估模型性能的方法。

评估线性模型拟合度的标准指标是 R 平方。然而，由于简单逻辑回归模型的拟合方法与简单线性回归不同，因此该指标并不适用于逻辑回归。 对于简单逻辑回归，Prism 提供了两个替代 R² 的指标。尽管这些指标的名称中包含“R²”一词，但它们的解释与简单线性回归中的 R² 并不相同（即它们并不代表模型解释的方差比例）。

相反，Tjur 的伪R平方和 Cox-Snell 的广义 R 平方都是介于 0 到 1 之间的数值，数值越大表示模型的预测性能越好。 有关这些伪R平方指标（以及通过多变量数据表中的多重逻辑回归提供的其他指标）的更多详细信息，请参见此处。

模型偏差会产生一个有时被称为 G 平方的值，该值用于计算似然比检验的检验统计量。如果您正在比较模型中不同的 X 预测因子，可以选择导致模型偏差最小的预测因子。您也可以以同样的方式使用伪R平方和广义 R 平方值。

似然比检验（LRT）将包含给定X预测因子的逻辑回归模型与不包含该X预测因子的模型（即“仅截距模型”）进行比较。与其他假设检验一样，LRT采用零假设，并生成P值来检验该零假设。 在此情况下，零假设是“仅截距模型”（不含X变量的模型）比包含X变量的模型更适合数据。如果X变量对模型的预测性能有贡献，则预计该检验的P值会较小。

c. 范围

执行简单逻辑回归时，系统会自动生成逻辑曲线图。您可以让 Prism 根据您的数据选择绘制该曲线的默认最小和最大 X 值，也可以根据需要自行调整这些范围。