多元逻辑回归用于因变量（Y）为二分变量（是/否、成功/失败等）的情况。因变量（Y）必须只有两个值。它可以是一个值为 "0 "和 "1 "的连续变量，也可以是一个有两个（文本）级别的分类变量。多元逻辑回归将拟合在一个或多个 X 变量的特定值下，Y 等于 1 的概率（或 Y 等于指定分类级别的概率）。

选择依赖度变量

从包含因变量（Y）的下拉菜单中选择合适的列。请注意，该变量只能包含两个值（必须是值为 "1 "和 "0 "的连续变量或有两个等级的分类变量）。如果使用连续变量（值为 "0 "和 "1"）作为依赖度变量，则可以在参数对话框的选项卡上添加标签来标识这些值。

定义模型

除了对 Y 值的限制外，输入数据的方式与多元线性回归相同。Prism 可以让您轻松选择模型中应包含的变量，包括双向和三向交互作用以及变换。但是，Prism 不能自动为您选择一组变量或交互作用。了解原因。

截距

对于逻辑回归，截距是所有 X 值为零时的期望值对数几率。如果这并没有给你带来多少直观的价值，那么你并不孤单。与线性回归相比，由于逻辑回归中使用了因变量的对数几率变异性，这个值的可解读性要差得多。也许最简单的理解方式就是从简单逻辑回归可以绘制出的逻辑曲线、S 曲线来思考。截距项可以提供 X 为零时 S 曲线的值。通过一些简单的代数，我们可以得出当 X=0 时 S 曲线的值为

X 为 0 时的概率 =eβ0/(1+eβ0)

另一种理解方式是，通过截距项可以确定在没有（或考虑）预测因子变量的情况下的成功概率。

关于逻辑回归模型的截距，有一点非常重要，那就是几乎没有理由排除它。如上所述，逻辑回归模型的截距（β0）值告诉您当所有预测因子变量（X 变量）都等于零时，预测的对数几率是多少。如果我们将这一信息从对数几率标度转换为概率标度，模型的截距就提供了在考虑所有其他变量后观察到 "成功"（Y=1）的概率信息。然而，如果将截距排除在模型之外，就等于假设当所有 X 变异性为零时，观察到 "成功 "的概率等于 0.5（或 50%）。如果你有兴趣，可以在这里阅读更多相关数学知识。但底线是，在没有预测因子的情况下，假设（或想要假设）"成功 "的概率为 0.5 的情况并不常见。因此，您几乎总是希望在模型中包含截距项。

主要效应

使用复选框选择所选模型中要包含的 X 变异性变量。拟合模型时，Prism 将为所选的每个主效应（以及所选的每个交互作用和变换）确定一个回归系数。默认情况下，所有主效应都被选中。如果取消选中其中一个主效应，则该 X 变量基本上将不参与分析（除非该变量是交互作用或变异性的一部分，如下所述）。

交互作用

Prism 可以轻松地在模型中加入自变量的双向和三向交互作用。双向交互作用将两个变量相乘，产生一个新变量，模型将为其确定回归系数。同样，三向交互作用将三个变量相乘。与双向交互作用相比，三向交互作用较少使用。

变换

Prism 可以让你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，请告诉我们。