当因变量（Y）为二分类变量（是/否、成功/失败等）时，应使用多元逻辑回归。因变量（Y）必须只有两个取值。它可以是取值为“0”和“1”的连续变量，也可以是具有两个（文本）水平的分类变量。 多元逻辑回归将根据一个或多个自变量（X）的特定取值，估计Y等于1的概率（或Y等于指定分类水平的概率）。

选择因变量

从下拉菜单中选择包含因变量（Y）的相应列。请注意，该变量只能包含两个值（必须是取值为“1”和“0”的连续变量，或具有两个水平的分类变量）。如果使用连续变量（取值为“0”和“1”）作为因变量，则可在“参数”对话框的“选项”标签页中添加标签以标识这些值。

定义模型

除对 Y 值的限制外，数据输入方式与多元线性回归相同。Prism 使选择纳入模型的变量变得简单，包括二元和三元交互作用以及变量转换。但是，Prism 无法自动为您选择一组变量或交互作用。阅读原因。

截距

对于逻辑回归，截距是指当所有 X 值均为零时的预期对数比值。若您对此难以直观理解，您并非孤例。由于逻辑回归中对因变量进行了对数比值转换，该值的解释性远低于线性回归。 或许最简单的理解方式是结合逻辑回归绘制的 S 形曲线来思考。截距项可以提供当 X 为零时该 S 形曲线的值。通过一些简单的代数运算，可以证明该 S 形曲线在 X=0 时的值由以下公式给出：

当X为0时的概率 = e^(β0) / (1 + e^(β0))

另一种理解方式是：截距项使您能够确定在没有（或已考虑）预测变量的情况下，成功的概率。

关于逻辑回归模型的截距，有一点非常重要：几乎没有任何理由将其排除。如上所述，逻辑回归模型的截距（β0）值告诉您，当所有预测变量（X变量）都等于零时，预测的对数几率是多少。 若将这一信息从对数几率尺度转换为概率尺度，模型的截距便提供了在控制所有其他变量后观察到“成功”（Y=1）的概率信息。然而，若将截距从模型中剔除，则意味着您假设当所有X变量均为零时，观察到“成功”的概率等于0.5（或50%）。 若感兴趣，您可在此处进一步了解相关的数学原理。但关键在于，在没有预测因子的情况下，“成功”的概率为0.5这一假设（或您希望作出的这一假设）实属罕见。因此，您几乎总是希望在模型中包含截距项。

主效应

使用复选框选择要纳入模型的X变量。拟合模型时，Prism将为每个选定的主效应（以及选定的每个交互作用和变换项）确定一个回归系数。默认情况下，所有主效应均被选中。若取消选中某个主效应，该X变量实质上将不参与分析（除非该变量属于下文所述的交互作用或变换项）。

交互作用

Prism 使将独立变量的二元和三元交互作用纳入模型变得非常简单。二元交互作用是将两个变量相乘，从而生成一个新变量，模型将为此确定一个回归系数。同样，三元交互作用是将三个变量相乘。三元交互作用的使用频率低于二元交互作用。

变换

Prism 允许您在模型中使用任何变量的平方、立方或平方根。如果您希望 Prism 在定义多元回归模型时提供其他变换选项，请告知我们。