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。请务必选择 "为每个点输入并绘制单个 Y 值"选项。Prism 中的简单逻辑回归目前不允许在子列中输入重复数据。要输入重复数据，只需将每个重复数据添加到自己的行中，并添加相关的 X 值和观察结果。

如果您想了解 Prism 如何在样本数据集上运行，请选择样本数据：简单逻辑回归。否则，如果您想输入自己的数据，请确保 Y 值是二进制的，并严格编码为 0 和 1。如果结果变量没有编码为 0 和 1，Prism 将不会执行简单逻辑回归（或多重逻辑回归）（请阅读有关二进制结果变量的更多信息）。

提示：要跟踪哪个结果编码为 1，哪个结果编码为 0，有一个简单的方法，那就是使用 "是/否"问题作为 Y 列的标题。使用这种方法，您可以输入 "1"来回答 "是"的问题，输入 "0"来回答 "否"的问题。

2.分析选择

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个自定义选择。如果想获得更多分析选项，可以考虑将数据复制到多变量数据表中，然后使用多重逻辑回归分析。

a.分类和插入值

本节中的选项提供了模型在预测正负结果（在数据中分别输入 1 和 0）方面的表现。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 提供了逻辑回归模型在各种可能的临界点上对观察数据进行分类的情况。有关 ROC 曲线的更多信息，请查看本页。

选择 "每个受试者的分类 "将输出一个名为 "行分类 "的新绿色表，该表首先复制观察值 X 列，然后添加一列，其中包含简单逻辑回归模型对每个观察值的预测概率。请注意，您可以使用此选项来预测特定 X 值下的新观察值。为此，只需在原始数据表底部添加一行所需的 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的插值方式非常相似，但无需选择其他选项即可自动完成）。

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。但是，由于简单逻辑回归模型的拟合技术与简单线性回归不同，因此这一指标并不适合逻辑回归。对于简单逻辑回归，Prism 提供了两种 R 平方的替代方法。虽然它们的名称中都有 R 平方一词，但它们与简单线性回归的 R 平方的解读并不相同（即它们并不代表模型所解释的方差比例）。

相反，Tjur 的伪 R 平方和 Cox-Snell 的广义 R 平方都是介于 0 和 1 之间的数值，数值越大代表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元逻辑回归提供的其他指标）的更多详情，请点击此处。

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。如果要比较模型的不同 X 预测因子，可以选择模型偏差最小的预测因子。您也可以用这种方法使用伪 R 平方值和广义 R 平方值。

似然比检验（LRT）是将包含给定 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）进行比较。与其他假设检验一样，LRT 使用一个零假设，并生成一个检验该零假设的 P 值。在本例中，零假设是：仅截距模型（不含 X 变量的模型）比含 X 变量的模型更适合数据。如果您的 X 变量对模型预测性能有贡献，您会期望该检验值会很小。

c.范围

执行简单逻辑回归时，会自动生成逻辑图。您可以让 Prism 根据数据选择绘制该曲线的默认最小和最大 X 值，也可以选择增加或减少这些限制。