成功確率応答でデータをフィットする：
各予測子の値についての観測値の数で重みを付ける：
以下は同じく最もよくフィットする関数を成否データとして与える：
計画行列と応答ベクトルで与えられるモデルをフィットする：
関数形を見る：
基底関数を x とy として参照するモデルをフィットする：
使用可能な特性のリストを得る：
ロジットモデルをフィットする：
もとのデータを抽出する：
最高のフィットを求め，プロットする：
フィットされた関数を純関数として得る：
フィッティングの計画行列と応答ベクトルを得る：
フィットの残差を調べる：
生の残差を可視化する：
ステムプロットでアンスコム(Anscombe)残差と標準化されたピアソン(Pearson)残差を可視化する：
ロジットモデルをデータにフィットする：
推定分散はデフォルトでは1である：
ピアソンの
を推定分散として代りに使う：
各点の尤離度をプロットする：
尤離度分析表を得る：
表から尤離度残差を得る：
表から数値項を抽出する：
パラメータ情報のフォーマットされた表を得る：
統計値の列を抽出する：
表からフォーマットされていない値の配列を得る：
極値を含むデータをロジットモデルにフィットする：
クック距離をチェックして大きく影響する点を確認する：
ハット行列の診断要素をチェックしてフィットの点の影響を見積もる：
ロジットモデルをフィットする：
予測値を観測値に対してプロットする：
ロジットモデルの適合度尺度表を得る：
予測子変数のすべての部分集合について適合度尺度を計算する：
AICによってモデルにランクを付ける：
の形式の，連続する x の値1, 2, ...に 
をフィットする二項ロジスティック回帰モデルを構築する．
の形式の二項ロジスティック回帰モデルを構築する．ただし，
は変数 
に依存する．
, ...におけるLogitModelFitからの最もよくフィットした関数の値は 
で得ることができる．
の形式のデータでは，座標の数 
, 
, ...は変数 
の数に対応しなければならない．
は0から1までの確率である．
の形式のデータは
の形式のデータに等しい．
が平均が 
の二項分布に従う独立した観察値であるという仮定の下に，
という形式のロジスティックモデルを作成する．
では，
という形のデータ点における基底関数 
の値から計画行列 m が形成される．応答ベクトル v は応答のリスト
である．
である．ただし，
は推定されるパラメータのベクトルである．
はLogitModelFit
という形式を使って指定することができる．
を使って分散を推定し共分散行列を計算する：
例題
例 
スコープ 
