Logistic 回归支持您基于连续 X 变量的值对分类 Y 变量的水平概率建模。长期以来，Logistic 回归具有广泛的应用，例如为剂量响应数据和购买选择数据建模。除了特别关注 Logistic 回归的教科书 (Hosmer and Lemeshow 1989) 外，分类统计学中的很多教科书都涉及到 Logistic 回归 (Agresti 1990)。
在许多 Logistic 回归设置中，您还可以使用判别分析，特别是在您倾向于将连续变量视为 X 变量而将类别视为 Y 变量，并进行逆向操作的情况下。但是，判别分析假定连续数据是正态分布的随机响应而非固定回归变量。请参见《多元方法》中的“判别分析”。
“以 X 拟合 Y”平台中的简单 Logistic 回归是“拟合模型”平台中分类响应常规模型的简化版本，而且图形功能更强。有关复杂 Logistic 回归模型的示例，请参见《拟合线性模型》中的“Logistic 回归模型”。有关使用正态分布函数的 Logistic 回归（亦称 Probit 分析），请参见《预测和专业建模》中的“具有二项误差的 Probit 模型的示例”。
名义型 Logistic 回归模型估计选择 Y 变量的一个水平作为连续 X 变量的平滑函数的概率。拟合的概率必须介于 0 和 1 之间，并且对于 X 变量的给定值，Y 变量各水平的概率之和必须为 1。
在 Logistic 概率图中，垂直轴表示概率。对于 k 个 Y 变量水平，用 k - 1 条平滑曲线来分割各个 Y 变量水平的总概率（等于 1）。Logistic 回归的拟合原则是对发生的响应事件拟合的概率的负自然对数之和最小化（即最大似然）。
Y 为有序型时，将修改后的 Logistic 回归用于拟合。通过曲线对等于或低于每个 Y 变量水平的累积概率建模。每个水平的曲线都有相同的形状，只是向右或向左平移了一段距离。
有序型 Logistic 模型对于 r - 1 个累积 Logistic 比较中的每个比较拟合不同的截距，但是斜率相同，其中 r 是 Y 变量水平数。有时有序型模型比名义型模型好，因为它需要估计的参数更少。