Die inligting wat van die grootste belang in eksperimentele ontledings is, is hoe die veranderinge in een veranderlike (die onafhanklike veranderlike) ’n ander veranderlike (die afhanklike veranderlike) beïnvloed. Die kenmerkendste verskil tussen ’n logistieke regressiemodel en ’n liniêre regressiemodel is die aard van die afhanklike veranderlike. ’n Liniêre regressiemodel het ’n skalaar- afhanklike veranderlike, terwyl die uitkoms vir die logistieke regressiemodel binêr of digotoom is.

Die logistieke regressiefunksie is die logaritme van die waarskynlikheid van ’n sukses, voorgestel as ’n liniêre kombinasie van al die onafhanklike veranderlikes wat by die model ingesluit is. Vir ’n eenvoudige binêre model waarby elke waarneming net een van twee moontlike uitkomste kan aanneem, word een afsnywaarde vir die waarskynlikheid van ’n sukses van die afhanklike veranderlike geïmplementeer. Indien die waarskynlikheid van ’n sukses vir ’n spesifieke waarneming bo die afsnypunt val, word die waarneming in ’n spesifieke groep, sê groep 1, geklassifiseer. Indien die waarskynlikheid van ’n sukses vir ’n spesifieke waarneming onder die afsnypunt val, word die waarneming in ’n ander groep geklassifiseer, sê groep 2.

Wanneer een van die onafhanklike veranderlikes die afhanklike veranderlike perfek in die onderskeie groepe kan klassifiseer, het die waarskynlikheidsfunksie geen maksimum nie, en kan geen eindige waarde dus vir die beramers van die regressiekoëffisiënte gevind word nie. Daar is drie verskillende onderling uitsluitende en allesomvattende klasse waarin die data van ’n logistieke regressie geklassifiseer kan word: volledige skeiding, kwasivolledige skeiding en oorvleuelende data. Volledige en kwasivolledige skeiding impliseer dat slegs ’n oneindige of ’n nulmaksimum-waarskynlikheidberaming vir die regressiekoëffisiënte verkry kan word.

Verskeie metodes waarvolgens volledige skeiding en kwasivolledige skeiding hanteer kan word, is mettertyd ontwikkel. Eksakte logistieke regressie, Firth se metode en verborge logistieke regressie word hier bespreek en aan die hand van praktiese voorbeelde illustreer. Hierdie metodes word met mekaar vergelyk in verskillende situasies waarin twee onafhanklike veranderlikes oorweeg word. ’n Klein steekproef met 20 waarnemings word ondersoek en vergelyk met ’n datastel met 100 waarnemings waarby onderskeidelik volledige skeiding en kwasivolledige skeiding teenwoordig is.

Indien die data nie oorvleuel nie, word eksakte logistieke regressie, Firth se metode en verborge logistieke regressie op die datastel toegepas. Vir elk van hierdie drie modelle word die regressiekoëffisiënte, die pasgehalte van die model (Pearson se chi-kwadraatstatistiek, afwyking en die Hosmer-Lemeshow-toetsgrootte) sowel as die klassifikasietabel geëvalueer. Wanneer daar met ’n groot datastel gewerk word wat in kategorieë verdeel is, word die beste resultate in die algemeen volgens eksakte logistieke regressie verkry. Firth se metode gee beduidende regressiekoëffisiëntberamings vir alle gevalle en verander die data op ’n logistiese kromme wat geleidelik verhoog tot ’n beraamde waarskynlikheid van tussen 0 en 1. Die verborge logistieke regressiemodel verskaf perfekte klassifikasie vir alle gevalle, maar verteenwoordig ’n model onder volledige of kwasivolledige skeiding.