ロジスティック回帰は、連続尺度のX変数の値に対するカテゴリカルなY変数の水準の確率を求めます。ロジスティック回帰は古くから普及している手法で、医薬品開発における用量反応データや、マーケティングの購買選択など、いろいろな分野で使用されています。ロジスティック回帰の文献（Hosmer and Lemeshow 1989）のほかに、多くのカテゴリカル分析のテキスト（Agresti 1990）で取り上げられています。
同じ状況でも、連続変数をY、カテゴリカル変数をXと考えて判別分析を行うこともできます。判別分析では、連続量のデータが固定された説明変数ではなく正規分布に従ったランダムな応答であると仮定されます。『多変量分析』の判別分析を参照してください。
「二変量の関係」プラットフォームにおけるロジスティック単回帰分析は、説明変数が1つしかないモデルの結果をグラフで表現したものです。一方、「モデルのあてはめ」プラットフォームで行われるロジスティック回帰モデルでは複数の説明変数を扱えます。説明変数が2つ以上ある場合のロジスティック回帰モデルについては、『基本的な回帰モデル』のロジスティック回帰モデルを参照してください。正規分布関数を使ったロジスティック回帰（プロビット分析）については、『予測モデルおよび発展的なモデル』の2項分布に対するプロビットモデルの例を参照してください。
名義ロジスティック回帰モデルは、応答変数がある水準になる確率を、説明変数の滑らかな関数によって表します。予測確率は0～1の値を取り、X変数のどの値においてもY変数の水準の予測確率の和は1になります。
ロジスティック確率プロットでは縦軸が確率を表します。Y変数の水準数をkとすると、k - 1本の滑らかな曲線が作成され、それによって確率の合計（=1）がY変数の水準ごとに分けられます。ロジスティック回帰のあてはめでは、「観測された応答データが生じる確率の自然対数」を合計した値の符号を逆にしたものが最小化されます。この推定方法を「最尤法」と呼びます。
Y変数が順序尺度の場合、順序性を考慮したロジスティック回帰が行われます。Y変数が特定の水準以下になる累積確率がロジスティック曲線で表されます。曲線の形状はどの水準でも同じで、水平方向の位置が異なるだけです。
順序ロジスティックモデルでは、Y変数の水準数をrとしたとき、累積ロジスティック曲線のr - 1個の異なる切片を推定しますが、傾きは1つです。順序モデルは計算されるパラメータが名義モデルより少ないため、適切であれば順序モデルを使用した方が効率的です。