如需检查简单逻辑回归是否属于适于您的这些数据的适当分析，请自问以下几个问题：

结果（Y）变量是否为二进制（二元）值？

独立（Y）变量只能取两个值，在Prism中，必须将这些值编码为0和1。

观察结果（行）是否独立？

逻辑回归的基本假设之一是每行数据均为唯一的独立观察结果。关于独立观察结果，在此举例说明，在一项涉及100名随机选择的参与者的研究中，1表示正值结果，0表示负值结果，每名参与者的数据记录在单独的一行中。如果对每名参与者测量一次以上（例如，在研究的不同时间点进行多次测量），则观察结果不独立，逻辑回归不合适。如果某些参与者来自同一家庭，则独立性也值得怀疑，因为就几乎所有结果而言，来自同一家庭的两名人员时的相似度高于来于两名不相关人员时的情况。

模型能否良好拟合并预测数据？

所有模型均错误，但有些有用……

Prism提供了多项指标用于评价简单逻辑模型与输入数据之间的拟合程度。但您应记住，模型与数据的拟合以及对模型拟合的解读存在一定程度的主观性。评价给定模型时，需考虑的一些可能性包括：

•模型能否良好地分类数据？换言之，模型能否正确预测观察到的0和1？您可在Prism中采用多种不同方式来评估这种情况，例如，使用Tjur R平方、ROC图（以及ROC曲线下面积）和行分类表。

•逻辑模型是否优于仅截距模型？Prism采用两种相关但略有不同的方式检验了该概念，即：使用Wald检验来检验β1是否显著非零，以及使用似然比检验来直接比较给定模型与仅截距模型。

您有无足够数据来使您对结果充满信心？

与所有其他统计建模一样，数据越多（通常）越好。在分析结果的结果表格页底部，Prism报告了模型中包含的观察结果数量（已分析的行）。对于简单逻辑回归，一般经验法则是至少有十个结果为0的观察结果和十个结果为1的观察结果。

是否欠拟合？

对于简单逻辑回归，您的预测因子（X）变量可能只是影响结果成功与否的多个变量之一。如果模型预测性能不如预期，也许您错过了某些您并未测量或选择不进行建模的关键变量。如果只是选择不予以建模，则务必使用多元逻辑回归来研究这些关键变量的影响，这是简单逻辑回归的自然扩展。点击此处阅读更多有关多元逻辑回归的信息。另一方面，如果关键变量是您并未测量的变量，则您的运气真是不好。返回先前步骤并再次进行实验，重点是收集更多信息。然后，返回执行多元逻辑回归！