为“二元 Logistic 回归”选择过程
可以使用“Logistic 回归”过程和“多项 Logistic 回归”过程拟合二元 Logistic 回归模型。每个过程中都有另一个过程所没有的选项。两者之间一个重要的理论差别是，“Logistic 回归”过程使用单个个案级别的数据生成所有预测值、残差、影响统计以及拟合优度检验，与数据的输入方式以及协变量模式数是否小于个案总数无关；而“多项 Logistic 回归”过程则通过在内部汇总个案来形成对预测变量具有相同协变量模式的子群体，而后基于这些子群体生成预测值、残差和拟合优度检验。如果所有预测变量都是分类变量或者任何连续预测变量都只取有限数量的值（每个不同协变量模式因而会有多个个案），那么子群体方法可生成有效的拟合优度检验和有意义的残差，而单个案级方法则不能。
Logistic 回归提供以下独特的功能：
- 模型的 Hosmer-Lemeshow 拟合优度检验
- 逐步分析
- 用于定义模型参数化的对比
- 用于分类的替代分割点
- 分类图(C)
- 将已在一组个案上拟合的模型应用到提供的一组个案
- 保存预测值、残差及影响统计
多项 Logistic 回归提供以下独特的功能：
- 模型拟合度优度 Pearson 和偏差卡方检验
- 用于对进行拟合优度检验的数据进行分组的子群体指定
- 按子群体列出的计数、预测计数和残差
- 对过度离散的方差估计值的修正
- 参数估计的协方差矩阵
- 参数线性组合的检验
- 嵌套模型的显式指定
- 使用差分变量拟合 1-1 匹配的条件 Logistic 回归模型
注： 这两个过程都拟合用于二分类数据的模型，该模型是使用二项式分布和 logit 关联函数的广义线性模型。如果其他关联函数更适合您的数据，那么您应该使用“广义线性模型”过程。
注： 如果您具有二分类数据的重复测量或者以其他方式相关联的记录，那么应该考虑“广义线性混合模型”或“广义估计方程”过程。