出于测试目的，我在 R 中编写了一些相关数据，如下所示：
mydata = data.frame(
outcome = c(1, 0, 1, 0, 0, 1, 1, 0, 1, 1),
predictor = c(0.1, -0.2, 0, 0.1, -0.3, 0.3, 0.2, -0.1, 0.1, 0.1)
)
然后我这样做是为了创建一个对这些数据建模的逻辑模型：
model1 = glm(family = binomial, formula = outcome ~ predictor, data = mydata)
运行plot(model1)产生以下图：
我需要回答一些问题，以便了解如何对这样的逻辑模型进行诊断。作为一个只有统计学入门课程的人，我无法收集有关如何解释图表的知识。
这个问题与：plot(glm.model) 的解释有关，它可能对您有所帮助。关于您的具体问题：
逻辑回归中预测值的构成是一个棘手的问题。这是因为可以在几个不同的尺度上进行预测。我认为最直观的预测值是给定观察的“成功”拟合概率。但是，您也可以使用拟合的赔率或拟合的对数赔率。统计软件返回的拟合模型方程/系数将在线性预测器的尺度上，即在对数优势尺度上。因此，“成功”的拟合对数几率通常用作默认值。R例如，在?predict.glm将默认为type="link"（对数赔率）；因为您的预测值低于，很明显，成功的对数几率是正在绘制的。
以下是一些可能对您有所帮助的其他资源：
同样，逻辑回归中残差的构成更加棘手。有很多方法可以计算广义线性模型的残差。在我看来，最直观的残差是原始残差（），但它们实际上很难使用，所以你很可能永远看不到它们。默认情况下，?residuals.glm默认为. 偏差残差反映了数据对模型总偏差的贡献。Germán Rodríguez 的 GLM 课程 的讲义中简要讨论了偏差残差（以及其他一些常见类型） 。type="deviance"
推荐阅读：
在我对顶部链接的线程的回答中，我认为最好不要使用这些来检查拟合的逻辑回归模型。
进一步阅读：