当您拟合逻辑回归模型时，与线性回归不同，参数估计没有封闭形式的解决方案。因此，您可以在参数空间中搜索一组参数估计，以最大化对数似然或最小化偏差。（我通常更喜欢考虑偏差，但在这种情况下，考虑最大化对数似然可能会更好。）最常见的搜索过程是Newton-Raphson 算法。

当您搜索时，您可以绘制出对数似然的形状，但这并没有真正完成。在运行 Newton-Raphson 算法的过程中，您计算​​ Hessian 矩阵（如果您运行不使用 Hessian 的搜索算法，应该不难得到）。这提供了您当前所在的参数空间区域中的形状图片。参数的 Wald 检验基于对数似然具有正态分布形状的假设（对于无限数据但可能不是小样本）。计算标准偏差的估计值，并将其用作标准误差。这通常用于形成 beta 的置信区间。

似然比检验的工作方式不同。似然比是对数似然之差。也就是说，当参数设置为两个不同的值时，模型的可能性之间的差异。基本上总是，这两个值是最大似然估计和空值 (0)。这两个值之间的差异应按卡方分布。使用这种方法来确定 beta 的置信区间不太常见，但可以做到。您需要搜索可能的 beta 估计值并向后工作以找到构成区间限制的值。

链接页面底部有一个非常有用的图（实际上取自 John Fox），对理解这个主题非常有帮助。