这种类型的统计模型（也称为 Logit 模型）通常用于分类和预测性分析。 逻辑回归根据给定的自变量数据集来估计事件的发生概率，如投票或未投票。 由于结果是一个概率，因此因变量的范围在 0 和 1 之间。 在逻辑回归中，对几率应用 Logit 变换，即成功概率除以失败概率。 这通常也称为对数几率，或几率的自然对数，该逻辑函数由以下公式来表示：

Logit(pi) = 1/(1+ exp(-pi))

ln(pi/(1-pi)) = Beta_0 + Beta_1*X_1 + … + B_k*K_k

在这个逻辑回归方程中，logit(pi) 是因变量或响应变量，x 是自变量。 该模型中的 beta 参数或系数通常通过最大似然估计 (MLE) 方法进行估算。 此方法通过多次迭代测试不同的 beta 值，从而优化对数几率的最佳拟合。 所有这些迭代都会产生对数似然函数，逻辑回归会试图最大化该函数，从而找到最佳参数估计值。 一旦找到了最佳系数（具有多个自变量时找到多个系数），就可以计算、记录每个观测值的条件概率，并将它们相加在一起，得出预测概率。 对于二元分类，小于 .5 的概率将预测为 0，而大于 0 的概率则将预测为 1。  计算模型过后，最佳做法是对模型的因变量预测情况进行评估，这称为拟合优度。 Hosmer-Lemeshow 检验是评估模型拟合情况的流行方法。