1.创建数据表

在“欢迎”或“新建表格”对话框中，选择创建XY数据表。务必确保选择“输入每个点并为每个点绘制一个Y值”选项Prism中的简单逻辑回归目前不允许在子列中进行复制。如需输入复制条目，仅需在自己的行中添加每个复制条目及其相关X值和观察结果。

如果您想了解Prism如何处理示例数据集，则选择示例数据：简单逻辑回归。否则，如果您想输入自己的数据，务必确保Y值为二进制值，并严格编码为0和1。如果您的结果变量未编码为0和1，则Prism将不会执行简单逻辑回归（或多元逻辑回归）（阅读有关二进制结果变量的更多信息）。

提示：跟踪编码为1和编码为0的结果的简单方法是使用“是/否”问题作为Y列的标题。采用该方法时，在回答“是”时输入“1”，回答“否”时输入“0”

2.分析选择

如需运行简单逻辑回归，请点击工具栏中的“分析”按钮，并从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若干自定义选项。对于甚至更多的分析选项，请考虑将您的数据复制至多个变量数据表中，并使用多元逻辑回归分析。

a. 分类和插值

本节中的选项提供了有关模型在预测正值和负值结果方面的能力的信息（在数据中分别输入为1和0）。您可要求Prism生成ROC曲线，并在结果表中报告ROC曲线下面积（AUC）。AUC提供了有关逻辑回归模型在各种可能的临界值处分类观察数据的能力的信息。阅读本页了解有关ROC曲线的更多信息。

选择“各受试者的分类”将输出标题为“行分类”的新绿色表格，该表格首先复制观察到的X值列，并添加一列，包含来自简单逻辑回归模型的每个值的预测概率。请注意，您可使用该选项来预测X取特定值时的新观察结果。为此，仅需在原始数据表底部添加一行以及所需的X值（或多个值），并将相应的Y值留空（请注意，该过程非常类似于为简单线性回归执行插值的方式，但会自动完成，无需选择其他选项）。

b. 拟合优度

除分类性能外，Prism还提供了四种模型性能评价方法。

用于评价线性模型拟合度的标准指标是R平方。但由于简单逻辑回归模型并非使用与简单线性回归相同的技术拟合，因此该指标不适用于逻辑回归。对于简单逻辑回归，Prism提供了两种针对R平方的替代方案。尽管其名称中包含“R平方”一词，但它们与简单线性回归中的R平方的解读不同（即，它们不表示模型所解释的方差比例）。

相反，Tjur伪R平方和Cox-Snell广义R平方均为范围为0-1的值，较大的值表示模型的预测性能更优。可在此处找到有关这些伪R平方指标的更多详情（以及通过多个变量数据表的多元逻辑回归提供的其他信息）。

模型偏差产生的值有时称为G平方，用于计算似然比检验的检验统计量。如果您正在比较模型的不同X预测因子，则可选择获得最小模型偏差的预测因子。此外，您还可以通过方式使用伪R平方和广义R平方。

似然比检验（LRT）比较包含给定X预测因子的逻辑模型与不包含该X预测因子的模型（即“仅截距”模型）。类似于其他假设检验，LRT使用零假设，并生成P值来检验该零假设。在此情况下，零假设如下：相比于含有X变量的模型，仅截距模型（不包含X变量的模型）拟合数据的能力更好。如果您的X变量有助于模型预测性能，则您将发现该检测的P值会很小。

c.范围

执行简单逻辑回归时，会自动生成逻辑图。可允许Prism基于您的数据，选择用于绘制这条曲线的默认最小和最大X值，或可按照意愿增加或减少这些限值。