建模需求，因此目前它已经成为了分类因变量的标准建模方法。
通过上面的讨论，可以很容易地理解二分类logistic回归模型对资料的要求是：（1）反应变量为二分类的分类变量或是某事件的发生率。
（2）自变量与Logit之间为线性关系。
（3）残差合计为0，且服从二项分布。（4）各观测值间相互独立。由于因变量为二分类，所以logistic回归模型的误差应当服从二项分布，而不是正态分布。因此，该模型实际上不应当使用以前的最小二乘法进行参数估计，上次均使用最大似然法来解决方程的估计和检验问题。
二、一些基本概念
由于使用了logit变换，Logistic模型中的参数含义略显复杂，但有很好的实用价值，为此现对一些基本概念加以解释。
1优势比如前所述，人们常把出现某种结果的概率与不出现的概率之比称为比值（odds），即
oddsP。两个比值之比称为优势比（oddsRatio，简称OR）。首先考察OR的特性：1P
若P1P2，则odds1
P11P1

P21P2
odds2
若P1P2，则odds1
P11P1
P21P2

odds2
若P1P2，则odds1
P11P1

P21P2
odds2
显然，OR是否大于1可以用作两种情形下发生概率大小的比较。2Logistic回归系数的意义
从数学上讲，和多元回归中系数的解释并无不同，代表x改变一个单位时logitP的
平均改变量，但由于odds的自然对数即为logit变换，因此Logistic回归模型中的系数和OR有着直接的变换关系，使得Logistic回归系数有更加贴近实际的解释，从而也使得该模型得到了广泛的应用。下面用一个实例加以说明：
以4格表资料为例具体说明各回归系数的意义：
3
f治疗方法
treat新疗法（＝1）传统疗法（＝0）
合计
表14格表资料
治疗结果（outcome）
治愈（＝1）未治愈（＝0）
60a
21c
42b
27d
102
48
合计
8169130
治愈率
740760876800
该资料如果拟合Logistic回归模型，则结果如下（操作步骤详见后述）：
LogitPoutcome101treat04420608treat
（1）常数项：表示自变量取全为0（称基线状态）时，比数Y1与Y0的概率之比
的自然对数值，本例中为00442l
42692769l
4227l
bd，
即传统疗法组的治愈率与未治愈率之比的自然对数值。在不同的研究设计中，常数项的具体含义可能不同，如基线状态下个体患病率、基线个体发病率、基线状态中病例所占比例等，但这些数值的大小研究者一般并不关心。
（2）各自变最的回归系数：ii1p表示自变量xi每改变一个单位，优势比的
自然对数值改变量，而expi即OR值，表示自变量xi每变化一个单位，阳性结果出现概
率与不出r