线性回归模型是一个非常有效且重要的数据分析方法，但它的局限性是要求因变量是定量变量（定距变量、定比变量）而非定性变量（定序变量、定类变量）。但在许多实际问题中，经常出现因变量有两个或三个分类的情况，此时就需要应用logistic回归分析。本书系统地把logistic回归与线性回归模型的OLS的R2、估计标准误差、t比率和斜率做比较，全面解释了logistic回归模型的估计、解释和诊断结果。传统回归诊断和学生化残差、杠杆、dbeta都包括在创新的logistic诊断法内。*后详细说明了多选项和不排序多分类因变量的问题。

序 第1章 线性回归和应用logistic回归模型 第1节 回归假设 第2节 非线性关系和变量转换 第3节 二分因变量的概率、发生比、优比和logit转换 第4节 logistic回归：导论 第2章 评估logistic回归模型的统计概要 第1节 R2，F和误差平方和 第2节 拟合优度：GM，R2L和对数似然 第3节 预测效率：λp,τp,Фp和二项检验 第4节 举例：评估logistic回归模式的充足性 第5节 总结：评估logistic回归模型 第3章 解释logistic回归系数 第1节 logistic回归分析的统计显著性 第2节 解释非标准化logistic回归系数 第3节 实质意义和标准系数 第4节 指数化系数或发生比数比 第5节 分类预测变量：对比和解释 第6节 交互作用 第7节 逐步logistic回归 第4章 诊断logistic回归的介绍 第1节 设定误差 第2节 共线性 第3节 数值问题：零格数和完全分离 第4节 残差分析 第5节 过度分散和过度集中 第6节 logistic回归诊断的规程 第5章 多分类logistic回归及其替代方法 第1节 多分类名义因变量 第2节 多分类或多项式定序因变量 第3节 结论 附录 注释 参考文献 译名对照表