与简单线性回归类似，简单逻辑回归旨在为一组参数寻找最佳拟合值。然而，与简单线性回归不同的是，简单逻辑回归是通过一种迭代过程来寻找最佳拟合值的：该过程从这些参数的某些初始值开始，一步一步地向最佳拟合值靠近。 正因如此，对于某些数据集，该迭代算法无法计算出这些控制数据。当这种情况发生时，Prism 会显示一条错误信息，指出数据中可能存在“完美分离”问题，或者仅有一个 X 值。

在确定控制数据的过程中涉及的数学概念（以及该过程中可能出现的错误）在简单逻辑回归和多重逻辑回归中是相同的。 下文将对该错误信息为何可能出现在简单逻辑回归中进行非常基础的解释。关于模型拟合过程及可能出现的错误的更详细说明，请参见多重逻辑回归的相应页面。

完美分离

“分离”是一个适用于数据集的概念，指当X变量的值能完美预测Y变量的值时。 换言之，对于数据集中的每个观测值，当 X 小于某个特定值时，Y 将呈现一种结果；而当 X 大于该值时，Y 将呈现相反的结果。以下数据展示了完美分离的一个示例：

在上述数据集中，当X小于或等于5时，所有Y值均为0；而当X大于5时，所有Y值均为1。 由于数据无法提供任何线索，无法推断当 X 为 5.1、5.5 或 5 到 6 之间的任何值时会产生何种结果，因此无法拟合 S 形的逻辑斯蒂曲线。

当数据未“完美”分离时，会出现一个密切相关的问题，例如以下数据集：

在此，可以看到当 X 值小于 5 时，Y 为 0；当 X 值大于 5 时，Y 为 1。但在 X = 5 时，我们同时观察到了 Y = 0 和 Y = 1 的情况。这是分离性的一种特例，称为“准完美分离”。

仅有一个 X 值

简单逻辑回归的目标是根据预测变量（X 变量）的值，预测“成功”（Y = 1）的概率。 然而，如果所有观察值的预测因子值都相同，则无法拟合一个将“成功”概率作为该预测因子函数来预测的模型。

从数学上讲，这一问题是由 β0 与 β1 之间的线性相关性引起的。当模型包含多个预测变量时，这一问题也可能出现在多元逻辑回归中。