在实际应用中，Logistic模型主要有三大用途：
1）寻找危险因素，找到某些影响因变量的"坏因素"，一般可以通过优势比发现危险因素；
2）用于预测，可以预测某种情况发生的概率或可能性大小；
3）用于判别，判断某个新样本所属的类别。
Logistic模型实际上是一种回归模型，但这种模型又与普通的线性回归模型又有一定的区别：
1）Logistic回归模型的因变量为二分类变量；
2）该模型的因变量和自变量之间不存在线性关系；
3）一般线性回归模型中需要假设独立同分布、方差齐性等，而Logistic回归模型不需要；
4）Logistic回归没有关于自变量分布的假设条件，可以是连续变量、离散变量和虚拟变量；
5）由于因变量和自变量之间不存在线性关系，所以参数(偏回归系数)使用最大似然估计法计算。
logistic回归模型概述
广义线性回归是探索“响应变量的期望”与“自变量”的关系，以实现对非线性关系的某种拟合。这里面涉及到一个“连接函数”和一个“误差函数”，“响应变量的期望”经过连接函数作用后，与“自变量”存在线性关系。选取不同的“连接函数”与“误差函数”可以构造不同的广义回归模型。当误差函数取“二项分布”而连接函数取“logit函数”时，就是常见的“logistic回归模型”，在0-1响应的问题中得到了大量的应用。
Logistic回归主要通过构造一个重要的指标：发生比来判定因变量的类别。在这里我们引入概率的概念，把事件发生定义为Y=1，事件未发生定义为Y=0，那么事件发生的概率为p,事件未发生的概率为1-p，把p看成x的线性函数；
回归中，最常用的估计是最小二乘估计，因为使得p在[0,1]之间变换，最小二乘估计不太合适，有木有一种估计法能让p在趋近与0和1的时候变换缓慢一些（不敏感），这种变换是我们想要的，于是引入Logit变换,对p/(1-p)也就是发生与不发生的比值取对数，也称对数差异比。经过变换后，p对x就不是线性关系了。
自变量通过不检验有以下这些可能：1、方程本身没有意义，比如我们用身高来预测性别，这个肯定通不过检验。2、自变量本省有问题，二项逻辑回归对自变量的要求比较严，一般是要求连续、正态分布的数据才可以。如果自变量不满足符合的条件则很有可能通不过检验。
解决的方式：
1、首先将你的自变量转化为Z分数，这样可以从一定程度上改善数据的分布。针对情况1、你先用点二列相关检验一下看看各个转化后自变量和因变量之间是不是存在相关关系，如果不相关的话后面的步骤就免了。
2、如果两者存在相关再重新用二项逻辑回归进行拟合，如果通过检验则万事大吉，如果还是不行则往下看。
3、如果不能通过检验则说明通过转化为Z分数起到的效果有限，这个时候可以用Multinomnal logistic，这个在SPSS15以上的版本有，对自变量要求不是很严，可以是等级变量和分类变量
