Logistic回归分析使用Logit模型研究二元因变量和一组独立（解释）变量之间的关联。然而，在匹配研究中，无条件的logistic regression是偏见的（高估了OR）。条件logistic回归是由Norman Breslow, Nicholas Day, Katherine Halvorsen, Ross L. Prentice和C. Sabai在1978年提出，是logistic回归的延伸，允许人们考虑到分层和匹配，通常用于具有特定条件或属性的病例受试者与没有该条件的n个对照受试者相匹配。一般来说，可能有1至m个病例与1至n个对照组相匹配。然而，最常见的设计是1：1匹配，其次是1：n匹配，其中n从1到5不等。 它的主要应用领域是观察性研究，特别是流行病学。比较是在每个层内，没有估计截距，因此没有预测的概率，所以没有ROC或Hosmer-Lemeshow测试。

CLR有以下特点：

1. CLR提供与至少在一个阶层内变化的自变量（通常称为协变量）相关的回归系数的估计值。同样，CLR也不提供与独立变量相关的任何回归系数的估计值，这些独立变量在各阶层内不发生变化。 2. 随着研究样本量的增加，阶层（群组）的数量也以同样的速度增加。 3. 模型中出现了分层指示变量，但没有显示逐层输出。 4. 当匹配组有不同数量的病例和对照组时，可以使用CLR。

在R中可以用‘Survival’包中的clogit()函数，及Epi包中的clogistic()函数实现：