二元逻辑回归（Binary Logistic Regression）
二元逻辑回归用于预测因变量是二分类的情况，即因变量只有两个可能的类别（例如：0和1、成功和失败、是和否等）。该模型的基本思想是根据自变量的线性组合来估算某一类别的概率，通常使用Sigmoid函数（也叫逻辑函数）将预测值映射到0和1之间，从而得到该事件发生的概率。
- 因变量：二分类变量（如：0/1，yes/no等）
- 自变量：可以是定量（连续变量）或定性（分类变量）自变量
这种模型广泛应用于医疗、金融、市场营销等领域，尤其适用于需要判断某一事件是否发生（例如，客户是否购买、疾病是否发生等）的情境。
多元逻辑回归（Multinomial Logistic Regression）
多元逻辑回归用于处理因变量为多类别的情形，即因变量包含三个或更多的类别，而且这些类别之间没有自然的顺序。例如，预测某人喜欢的颜色是红色、蓝色还是绿色，或者某人选择的交通方式是公交车、自行车还是步行。多元逻辑回归将多个二元逻辑回归模型扩展到多类情况，从而在多个类别之间进行分类。
- 因变量：多分类变量（例如：红、蓝、绿等不同类别）
- 自变量：可以是定量（连续变量）或定性（分类变量）的自变量
这种模型适用于类别间没有顺序关系的情况，通常用于市场研究、消费者行为分析等领域。
有序逻辑回归（Ordered Logistic Regression）
有序逻辑回归用于处理因变量是有序类别的情况，即因变量包含多个有序类别，且这些类别之间具有自然的顺序。例如，预测一个人对某个产品的满意度评分，可以是非常不满意、不满意、中立、满意、非常满意等等级。该模型假设类别之间有一个顺序关系，并且通过累积概率模型来预测因变量的类别。
- 因变量：有序分类变量（如：1、2、3、4等有顺序的类别）（例如，满意度量表）
- 自变量：可以是定量（连续变量）或定性（分类变量）的自变量
这种模型广泛应用于市场调查、消费者满意度研究等领域，尤其适用于需要对某些问题进行等级评定的场景。
补充说明：
在实际应用中，量表常常用于表示有序类别变量，特别是在有序逻辑回归中。例如，李克特量表（Likert Scale）是一个非常典型的有序量表，它通常包括5个等级（如：非常不同意、不同意、中立、同意、非常同意），这些等级之间有清晰的顺序关系。通常被认为是有序类别变量。
