Unter logistischer Regression oder Logit-Modell versteht man Regressionsanalysen zur (meist multiplen) Modellierung der Verteilung abhängiger diskreter Variablen. Wenn logistische Regressionen nicht näher als multinomiale oder geordnete logistische Regressionen gekennzeichnet sind, ist zumeist die binomiale logistische Regression für dichotome (binäre) abhängige Variablen gemeint. Die unabhängigen Variablen können dabei ein beliebiges Skalenniveau aufweisen, wobei diskrete Variablen mit mehr als zwei Ausprägungen in eine Serie binärer Dummy-Variablen zerlegt werden.
Im binomialen Fall liegen Beobachtungen der Art
(
y
i
;
x
i
1
,
x
i
2
,
…
,
x
i
k
)
,
i
=
1
,
…
,
n
{\displaystyle (y_{i};x_{i1},x_{i2},\ldots ,x_{ik}),\,i=1,\ldots ,n}
vor, wobei
Y
i
{\displaystyle Y_{i}}
eine binäre abhängige Variable (den so genannten Regressanden) bezeichnet, die mit
x
i
⊤
{\displaystyle \mathbf {x} _{i}^{\top }}
, einem bekannten und festen Kovariablenvektor von Regressoren, auftritt.
n
{\displaystyle n}
bezeichnet die Anzahl der Beobachtungen. Das Logit-Modell ergibt sich aus der Annahme, dass die Fehlerterme unabhängig und identisch Gumbel-verteilt sind. Eine Erweiterung der logistischen Regression stellt die ordinale logistische Regression dar; eine Variante dieser ist das kumulative Logit-Modell.