Khi biến phụ thuộc ở dạng nhị phân (binary) và nhận mã 0 hoặc 1 thì việc phân tích hồi qui phải dựa trên phương pháp hồi qui logistic nhị phân (binary logistic regression). Có ba vấn đề mà trong trường hợp này không thể sử dụng phương pháp bình phương bé nhất thông thường (OLS) [20]:
Xảy ra hiện tượng phương sai sai số biến đổi heteroskedastic (phương sai của biến phụ thuộc rất khác với phương sai của biến độc lập).
Trong trường hợp này không có phân phối thông thường.
Xác xuất dự đoán có thể lớn hơn 1 hoặc bé hơn 0, đây là vấn đề nghiêm trọng cho các phân tích tiếp theo.
Mô hình logistic: ln[p/(1-p)] = a + bx hoặc p/(1-p) = ea+bx = ea(eb)x
Với: e = 2,71828; p: là xác xuất biến phụ thuộc xuất hiện trong trường hợp 1; 1 - p: là xác xuất biến phụ thuộc xuất hiện trong trường hợp 0.
p/(1-p) = odds: là tỉ lệ giữa xác suất xuất hiện 1 trên xác suất xuất hiện 0. ln[p/(1-p)] = log odds
Mô hình hồi qui logistic là mô hình chuyển đổi từ hồi qui phi tuyến sang hồi qui tuyến tính. Phân phối logistic thường là phân phối chuẩn, xác xuất ước đoán nằm giữa 0 và 1. Điều này giải quyết được 3 vấn đề đã nêu khi sử dụng OLS.
Trong nghiên cứu này thì p: là xác xuất tiên đoán có ảnh hưởng (đến mức độ vận dụng KTQT trong DNVVN khu vực TP.HCM của khảo sát) theo trị số của 5 biến (sale, marc, ownp, advt, qual).
Mô hình hồi qui binary logistic tổng quát:
qual advt ownp marc sale p p 5 4 3 2 1 0 ) 1 log( Với 0: là hệ số chặn (tung độ gốc); 1 5: là hệ số góc