[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_h%E1%BB%93i%20quy%20logistic{\"limit\":5}":3,"_public_topic_byId_hồi quy logistic":168},{"code":4,"data":5,"meta":20},"SUCCESS",{"latest":6,"mostCited":83,"vietnamFeatured":142,"vietnamLatest":167},[7,24,39,54,68],{"publicationId":8,"title":9,"originalTitle":10,"authorNames":11,"authorCount":15,"journalName":16,"vietnamJournal":17,"publishDate":18,"publishYear":19,"totalCitation":20,"url":21,"doi":22,"summary":23},"1114fc5d-93e9-407f-92ba-1169c0071e0c","Các yếu tố lâm sàng và liều lượng dự đoán các biến chứng tim phổi sau phẫu thuật ở bệnh nhân ung thư biểu mô tế bào vảy thực quản nhận hóa trị và xạ trị neoadjuvant","Clinical and Dosimetric Predictors for Postoperative Cardiopulmonary Complications in Esophageal Squamous Cell Carcinoma Patients Receiving Neoadjuvant Chemoradiotherapy and Surgery",[12,13,14],"Zhaohui Liang","Kongjia Luo","Yuting Wang",11,"Annals of Surgical Oncology",false,"2022-09-20",2022,null,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1245\u002Fs10434-022-12526-9","10.1245\u002Fs10434-022-12526-9","\u003Cp>Nghiên cứu trên \u003Cb>307 bệnh nhân\u003C\u002Fb> ung thư biểu mô vảy thực quản nhằm thiết lập mô hình tiên lượng biến chứng tim phổi sau phẫu thuật cắt thực quản. Mô hình phân tích \u003Cb class=\"publication-topic-keywords\">hồi quy logistic\u003C\u002Fb> đa biến tích hợp các thông số lâm sàng và thể tích xạ trị \u003Ci>DVH\u003C\u002Fi> đạt diện tích dưới đường cong \u003Ci>AUC\u003C\u002Fi> bằng \u003Cb>0,705\u003C\u002Fb>. Công cụ này \u003Cb>giúp phân tầng nguy cơ biến chứng chu phẫu\u003C\u002Fb> cho người bệnh điều trị đa mô thức.\u003C\u002Fp>",{"publicationId":25,"title":26,"originalTitle":27,"authorNames":28,"authorCount":32,"journalName":33,"vietnamJournal":17,"publishDate":34,"publishYear":35,"totalCitation":20,"url":36,"doi":37,"summary":38},"005ac53d-6406-42d8-a834-5d73848a86bf","Mô hình dự đoán nomogram cho di căn hạch bạch huyết ở bệnh nhân ung thư nội mạc tử cung","A nomogram prediction model for lymph node metastasis in endometrial cancer patients",[29,30,31],"Zhiling Wang","Shuo Zhang","Yifei Ma",6,"BMC Cancer","2021-06-29",2021,"https:\u002F\u002Fbmccancer.biomedcentral.com\u002Farticles\u002F10.1186\u002Fs12885-021-08466-4","10.1186\u002Fs12885-021-08466-4","\u003Cp>Phân tích đa biến trên \u003Cb>1.517 bệnh nhân\u003C\u002Fb> ung thư nội mạc tử cung nhằm xây dựng mô hình biểu đồ định lượng \u003Ci>nomogram\u003C\u002Fi> dự đoán nguy cơ di căn hạch bạch huyết. Phương pháp \u003Cb class=\"publication-topic-keywords\">hồi quy logistic\u003C\u002Fb> xác định xâm lấn mạch bạch huyết \u003Ci>LVSI\u003C\u002Fi> làm tăng nguy cơ di căn gấp \u003Cb>13,156 lần\u003C\u002Fb> với chỉ số tương đồng đạt \u003Cb>0,916\u003C\u002Fb>. Mô hình dự báo \u003Cb>hỗ trợ bác sĩ cá thể hóa phác đồ phẫu thuật vét hạch\u003C\u002Fb> chính xác.\u003C\u002Fp>",{"publicationId":40,"title":41,"originalTitle":42,"authorNames":43,"authorCount":47,"journalName":48,"vietnamJournal":17,"publishDate":49,"publishYear":50,"totalCitation":20,"url":51,"doi":52,"summary":53},"224e21bb-f2d0-498c-92e2-0565447c5b75","Dự đoán sự gia tăng chi phí chăm sóc sức khỏe: liệu liệu pháp dược phẩm có ảnh hưởng như thế nào?","Prediction of health care expenditure increase: how does pharmacotherapy contribute?",[44,45,46],"Annika M. Jödicke","Urs Zellweger","Ivan T. Tomka",9,"BMC Health Services Research","2019-12-11",2019,"https:\u002F\u002Fbmchealthservres.biomedcentral.com\u002Farticles\u002F10.1186\u002Fs12913-019-4616-x","10.1186\u002Fs12913-019-4616-x","\u003Cp>Đánh giá so sánh hiệu năng dự báo chi phí y tế trên tập dữ liệu \u003Cb>373.264 bệnh nhân\u003C\u002Fb> Thụy Sĩ giữa ba thuật toán gồm Cây quyết định, Mạng nơ-ron và \u003Cb class=\"publication-topic-keywords\">hồi quy logistic\u003C\u002Fb>. Thuật toán phân loại kết hợp 36 đặc trưng sử dụng thuốc đạt diện tích dưới đường cong \u003Ci>AUC\u003C\u002Fi> bằng \u003Cb>0,74\u003C\u002Fb>. Công trình \u003Cb>làm rõ vai trò định lượng của liệu pháp dược phẩm\u003C\u002Fb> trong việc kiểm soát mức tăng chi tiêu y tế quốc gia.\u003C\u002Fp>",{"publicationId":55,"title":56,"originalTitle":57,"authorNames":58,"authorCount":62,"journalName":20,"vietnamJournal":17,"publishDate":63,"publishYear":64,"totalCitation":20,"url":65,"doi":66,"summary":67},"62209332-4ed9-4488-a089-844271b77f75","Dự đoán thành công của sinh viên trong khóa học Sinh học Nhập môn thông qua Phân tích Hồi quy Logistic về Khả năng Lý luận Khoa học và Điểm Toán","Predicting Student Success in a Major’s Introductory Biology Course via Logistic Regression Analysis of Scientific Reasoning Ability and Mathematics Scores",[59,60,61],"E. David Thompson","Bethany V. Bowling","Ross E. Markle",3,"2017-02-18",2017,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs11165-016-9563-5","10.1007\u002Fs11165-016-9563-5","\u003Cp>Khảo sát khả năng dự báo kết quả học tập của sinh viên năm nhất ngành Sinh học thông qua mô hình phân tích \u003Cb class=\"publication-topic-keywords\">hồi quy logistic\u003C\u002Fb> nhị phân. Kết hợp điểm kiểm tra tư duy khoa học \u003Ci>Lawson\u003C\u002Fi> và điểm thi chuẩn hóa \u003Ci>ACT-M\u003C\u002Fi> cho phép nhận diện sớm những sinh viên có nguy cơ thi trượt môn học. Mô hình \u003Cb>hỗ trợ nhà trường triển khai các chương trình trợ giảng kịp thời\u003C\u002Fb> ngay từ đầu học kỳ.\u003C\u002Fp>",{"publicationId":69,"title":70,"originalTitle":71,"authorNames":72,"authorCount":76,"journalName":77,"vietnamJournal":17,"publishDate":78,"publishYear":79,"totalCitation":20,"url":80,"doi":81,"summary":82},"41cf772c-6bf8-4113-a0be-df4fa797bc5d","Phương pháp phân loại lại nguyên nhân tử vong trong các trường hợp được phân loại là \"sự kiện không xác định ý định\"","A method for reclassifying cause of death in cases categorized as “event of undetermined intent”",[73,74,75],"Evgeny Andreev","Vladimir M. Shkolnikov","William Alex Pridemore",4,"Population Health Metrics","2015-09-02",2015,"https:\u002F\u002Fpophealthmetrics.biomedcentral.com\u002Farticles\u002F10.1186\u002Fs12963-015-0048-y","10.1186\u002Fs12963-015-0048-y","\u003Cp>Phương pháp thống kê phân loại lại các ca tử vong không rõ chủ đích \u003Ci>EUI\u003C\u002Fi> dựa trên thuật toán \u003Cb class=\"publication-topic-keywords\">hồi quy logistic\u003C\u002Fb> đa thức \u003Ci>mlogit\u003C\u002Fi> áp dụng trên \u003Cb>3 triệu hồ sơ tử thi\u003C\u002Fb> tại Nga. Mô hình ước tính xác suất giúp tái phân bổ chính xác \u003Cb>hai phần ba\u003C\u002Fb> số ca tử vong chưa rõ nguyên nhân sang nhóm tai nạn, tự sát hoặc giết người. Kết quả \u003Cb>khắc phục sai lệch thống kê sinh tử y tế công cộng\u003C\u002Fb> đáng kể.\u003C\u002Fp>",[84,97,110,123,128],{"publicationId":85,"title":86,"originalTitle":87,"authorNames":88,"authorCount":47,"journalName":92,"vietnamJournal":17,"publishDate":20,"publishYear":20,"totalCitation":93,"url":94,"doi":95,"summary":96},"b53420df-1479-4c13-abf0-c7798afc702e","Đơn Giản Hóa Dữ Liệu Tải Ngoài Trong Các Cuộc Thi Bóng Rổ Nam NCAA Division-I: Phân Tích Thành Phần Chính","Simplifying External Load Data in NCAA Division-I Men's Basketball Competitions: A Principal Component Analysis",[89,90,91],"Jason D. Stone","Justin J. Merrigan","Jad Ramadan","Frontiers in Sports and Active Living",7,"https:\u002F\u002Fwww.frontiersin.org\u002Farticles\u002F10.3389\u002Ffspor.2022.795897\u002Ffull","10.3389\u002Ffspor.2022.795897","\u003Cp>Mô hình phân tích thành phần chính \u003Ci>PCA\u003C\u002Fi> kết hợp thuật toán \u003Cb class=\"publication-topic-keywords\">hồi quy logistic\u003C\u002Fb> đa thức được xây dựng nhằm phân loại vị trí thi đấu của \u003Cb>10 vận động viên\u003C\u002Fb> bóng rổ \u003Ci>NCAA\u003C\u002Fi>. Dữ liệu từ cảm biến đo quán tính \u003Ci>IMU\u003C\u002Fi> xác định vận tốc cực đại và tải cơ học giải thích \u003Cb>81,42%\u003C\u002Fb> tổng phương sai vận động. Kết quả \u003Cb>hỗ trợ ban huấn luyện thiết kế giáo án thể lực cá nhân hóa\u003C\u002Fb> chuẩn xác.\u003C\u002Fp>",{"publicationId":98,"title":99,"originalTitle":100,"authorNames":101,"authorCount":47,"journalName":105,"vietnamJournal":17,"publishDate":20,"publishYear":20,"totalCitation":106,"url":107,"doi":108,"summary":109},"4313a41f-ee96-4a23-a8a9-7b2e29bc22eb","Điều chỉnh lỗi Berkson trong phân tích hồi quy logistic thông thường và có điều kiện cũng như trong hồi quy Poisson","Adjusting for Berkson error in exposure in ordinary and conditional logistic regression and in Poisson regression",[102,103,104],"Kelvin K. King","Santanu Chakraborty","Siva Sivaganesan","BMC Medical Research Methodology",0,"https:\u002F\u002Fbmcmedresmethodol.biomedcentral.com\u002Farticles\u002F10.1186\u002Fs12874-023-02044-x","10.1186\u002Fs12874-023-02044-x","\u003Cp>Nghiên cứu phương pháp luận thống kê phát triển kỹ thuật hiệu chỉnh sai số đo lường \u003Ci>Berkson\u003C\u002Fi> trong các mô hình \u003Cb class=\"publication-topic-keywords\">hồi quy logistic\u003C\u002Fb> có điều kiện và hồi quy Poisson. Phân tích mô phỏng trên ma trận phơi nhiễm nghề nghiệp \u003Ci>JEM\u003C\u002Fi> chỉ ra việc áp dụng phân phối \u003Ci>gamma\u003C\u002Fi> giúp loại bỏ độ chệch ước lượng nguy cơ ung thư não. Công trình \u003Cb>đóng góp giải pháp hoàn thiện công cụ phân tích dịch tễ học\u003C\u002Fb> chuyên sâu.\u003C\u002Fp>",{"publicationId":111,"title":112,"originalTitle":20,"authorNames":113,"authorCount":76,"journalName":117,"vietnamJournal":17,"publishDate":118,"publishYear":119,"totalCitation":20,"url":120,"doi":121,"summary":122},"b958ad1a-dcd7-4ef1-babc-6a8e9ef4ed62","MỐI LIÊN QUAN GIỮA CHỈ SỐ DINH DƯỠNG TIÊN LƯỢNG, TỶ LỆ HEMOGLOBIN\u002FĐỘ RỘNG PHÂN BỐ HỒNG CẦU VÀ NGUY CƠ NHẬP VIỆN Ở BỆNH NHÂN LỌC MÁU CHU KỲ",[114,115,116],"Trần Thị Bảo Uyên","Vũ Trí Thanh","Võ Văn Hải","Tạp chí Y học Cộng đồng","2026-04-21",2026,"http:\u002F\u002Ftapchiyhcd.vn\u002Findex.php\u002Fyhcd\u002Farticle\u002Fview\u002F4858","10.52163\u002Fyhc.v67iCD4.4858","\u003Cp>Mô hình dự báo lâm sàng trên \u003Cb>157 người bệnh\u003C\u002Fb> thận nhân tạo định kỳ nhằm đánh giá mối tương quan giữa tình trạng suy mòn dinh dưỡng và tần suất nhập viện. Thuật toán \u003Cb class=\"publication-topic-keywords\">hồi quy logistic\u003C\u002Fb> xác lập giá trị dự đoán độc lập của các chỉ số huyết học \u003Ci>Hb\u002FRDW\u003C\u002Fi> với \u003Cb>độ nhạy 78,3%\u003C\u002Fb> và độ đặc hiệu cao. Phát hiện \u003Cb>hỗ trợ bác sĩ phân tầng nguy cơ biến chứng tim mạch\u003C\u002Fb> ở bệnh nhân lọc máu.\u003C\u002Fp>",{"publicationId":124,"title":112,"originalTitle":20,"authorNames":125,"authorCount":76,"journalName":117,"vietnamJournal":17,"publishDate":118,"publishYear":119,"totalCitation":20,"url":126,"doi":121,"summary":127},"16d0f3bb-5a45-45f7-b8ad-178887c152a2",[114,115,116],"https:\u002F\u002Ftapchiyhcd.vn\u002Findex.php\u002Fyhcd\u002Farticle\u002Fview\u002F4858","\u003Cp>Nghiên cứu hồi cứu trên \u003Cb>157 bệnh nhân\u003C\u002Fb> lọc máu chu kỳ nhằm xây dựng mô hình dự báo nguy cơ nhập viện ngoài ý muốn. Phân tích \u003Cb class=\"publication-topic-keywords\">hồi quy logistic\u003C\u002Fb> đa biến kết hợp chỉ số dinh dưỡng tiên lượng \u003Ci>PNI\u003C\u002Fi> và tỷ lệ hemoglobin trên độ rộng phân bố hồng cầu \u003Ci>Hb\u002FRDW\u003C\u002Fi> đạt diện tích dưới đường cong \u003Ci>AUC\u003C\u002Fi> bằng \u003Cb>0,772\u003C\u002Fb>. Công cụ này \u003Cb>giúp nhận diện sớm người bệnh suy dinh dưỡng nặng\u003C\u002Fb> cần can thiệp tích cực.\u003C\u002Fp>",{"publicationId":129,"title":130,"originalTitle":131,"authorNames":132,"authorCount":135,"journalName":136,"vietnamJournal":17,"publishDate":137,"publishYear":138,"totalCitation":20,"url":139,"doi":140,"summary":141},"02a96643-5bec-4118-a89c-eadf95748681","Dự đoán Sự Thất Bại của Ngân Hàng tại Hoa Kỳ: Một Cách Tiếp Cận Nhạy Cảm Chi Phí","Forecasting Bank Failure in the U.S.: A Cost-Sensitive Approach",[133,134],"Aykut Ekinci","Safa Sen",2,"Computational Economics","2024-02-19",2024,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs10614-023-10537-6","10.1007\u002Fs10614-023-10537-6","\u003Cp>Khung dự báo nguy cơ phá sản ngân hàng tại Hoa Kỳ được phát triển bằng phương pháp \u003Cb class=\"publication-topic-keywords\">hồi quy logistic\u003C\u002Fb> nhạy cảm chi phí \u003Ci>cost-sensitive\u003C\u002Fi> kết hợp kỹ thuật lấy mẫu phân tầng \u003Ci>SMOTE\u003C\u002Fi>. Mô hình tối ưu hóa hàm mất mát bất đối xứng giúp giảm thiểu thiệt hại tài chính do dự báo sót các tổ chức tín dụng mất thanh khoản. Nghiên cứu \u003Cb>nâng cao độ tin cậy của hệ thống cảnh báo sớm rủi ro tài chính\u003C\u002Fb> ngân hàng.\u003C\u002Fp>",[143,156],{"publicationId":144,"title":145,"originalTitle":20,"authorNames":146,"authorCount":76,"journalName":150,"vietnamJournal":151,"publishDate":152,"publishYear":119,"totalCitation":20,"url":153,"doi":154,"summary":155},"05391598-c41c-4d0d-8723-2a52f3f6802c","TIÊN LƯỢNG CƠN GÓC ĐÓNG CẤP DỰA TRÊN CÁC THÔNG SỐ SIÊU ÂM SINH HIỂN VI",[147,148,149],"Trịnh  Xuân Trang","Nguyễn  Thị Thu Tâm","Trịnh  Đăng Tuấn Dũng","Tạp chí Y học Việt Nam",true,"2026-03-07","https:\u002F\u002Ftapchiyhocvietnam.vn\u002Findex.php\u002Fvmj\u002Farticle\u002Fview\u002F17587","10.51298\u002Fvmj.v559i2.17587","\u003Cp>Nghiên cứu cắt ngang trên \u003Cb>30 bệnh nhân\u003C\u002Fb> góc đóng cấp một mắt nhằm xây dựng mô hình \u003Cb class=\"publication-topic-keywords\">hồi quy logistic\u003C\u002Fb> dự báo nguy cơ xuất hiện cơn cấp ở mắt đối diện. Dữ liệu đo đạc cấu trúc góc tiền phòng từ siêu âm sinh hiển vi \u003Ci>UBM\u003C\u002Fi> tạo lập công thức tiên lượng đạt diện tích dưới đường cong \u003Ci>AUC\u003C\u002Fi> bằng \u003Cb>0,825\u003C\u002Fb>. Kết quả \u003Cb>giúp bác sĩ nhãn khoa chủ động chỉ định phẫu thuật dự phòng\u003C\u002Fb> bảo vệ thị lực cho bệnh nhân.\u003C\u002Fp>",{"publicationId":157,"title":158,"originalTitle":20,"authorNames":159,"authorCount":32,"journalName":163,"vietnamJournal":151,"publishDate":164,"publishYear":50,"totalCitation":20,"url":165,"doi":20,"summary":166},"134dd53e-e95d-4a71-8f04-e6ae9d3ff6c2","ỨNG DỤNG MÔ HÌNH HỒI QUY LOGISTIC DỰ BÁO ỐNG BỂ TRÊN HỆ THỐNG PHÂN PHỐI NƯỚC",[160,161,162],"Nguyễn Quang Trường","Phạm Hà Hải","Trương Thị Thu Hằng","Tạp chí Khoa học và Công nghệ Thủy lợi","2019-08-02","https:\u002F\u002Fvjol.info.vn\u002Findex.php\u002Fvawr\u002Farticle\u002Fview\u002F42086","\u003Cp>Mô hình toán học ứng dụng phương pháp \u003Cb class=\"publication-topic-keywords\">hồi quy logistic\u003C\u002Fb> nhằm dự báo xác suất sự cố nứt vỡ đường ống trên mạng lưới cấp nước đô thị. Dữ liệu thực nghiệm phân tích các biến số vật liệu chế tạo, đường kính ống, áp lực dòng chảy và tuổi thọ vận hành công trình. Kết quả \u003Cb>cung cấp công cụ hỗ trợ kỹ thuật trực quan\u003C\u002Fb> giúp đơn vị quản lý chủ động lên kế hoạch duy tu và thay thế tuyến ống cũ.\u003C\u002Fp>",[],{"code":4,"data":169,"meta":20},{"id":170,"title":171,"description":172,"content":173,"term":170,"englishTitle":20,"synonyms":20,"definition":20,"discipline":20,"references":20,"faqs":20,"createUser":174,"publishUser":20,"keywords":178,"keywordCount":197,"enrichTopicLink":151,"status":198,"createTime":199,"updateTime":200,"publishTime":20,"linkEnrichedTime":201,"publicationScanTime":202,"contentErrorMessage":20,"viewCount":203,"relateTopics":204},"hồi quy logistic","Hồi quy logistic là gì? Các nghiên cứu khoa học liên quan","Hồi quy logistic là mô hình thống kê dùng hàm sigmoid để dự đoán xác suất xảy ra của một biến nhị phân dựa trên các biến độc lập liên quan. Phương pháp này tối ưu hóa hàm log-likelihood để ước lượng tham số, cho phép phân loại hiệu quả và dễ diễn giải trong nhiều lĩnh vực ứng dụng.","\u003Ch2>Hồi quy logistic là gì?\u003C\u002Fh2>\u003Cp>Hồi quy logistic là một phương pháp thống kê thuộc nhóm mô hình tuyến tính tổng quát, được sử dụng để dự đoán xác suất của một biến phụ thuộc nhị phân dựa trên một hoặc nhiều biến độc lập. Khác với {{topic|%7B%22topic%22%3A%22h%E1%BB%93i%20quy%20tuy%E1%BA%BFn%20t%C3%ADnh%22%7D}}, hồi quy logistic sử dụng hàm sigmoid để ánh xạ giá trị đầu ra vào khoảng (0,1), đại diện cho xác suất.\u003C\u002Fp>\u003Cp>Mô hình hồi quy logistic được ứng dụng rộng rãi trong nhiều lĩnh vực như y học, tài chính, {{topic|%7B%22topic%22%3A%22khoa%20h%E1%BB%8Dc%22%7D}} xã hội và học máy, đặc biệt hiệu quả trong các bài toán {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20lo%E1%BA%A1i%20nh%E1%BB%8B%20ph%C3%A2n%22%7D}} như: có bệnh\u002Fkhông bệnh, chấp nhận\u002Fkhông chấp nhận, mua\u002Fkhông mua.\u003C\u002Fp>\u003Cp>Nguồn: \u003Ca href=\"https:\u002F\u002Fwww.ibm.com\u002Fthink\u002Ftopics\u002Flogistic-regression\">IBM – Logistic Regression Overview\u003C\u002Fa>\u003C\u002Fp>\u003Ch2>Hàm sigmoid và xác suất dự đoán\u003C\u002Fh2>\u003Cp>Hàm sigmoid là thành phần cốt lõi của hồi quy logistic, có dạng: \u003Cscript type=\"math\u002Ftex\">f(x) = \\frac{1}{1 + e^{-x}}\u003C\u002Fscript> Hàm này giới hạn đầu ra trong khoảng từ 0 đến 1, phù hợp với diễn giải xác suất.\u003C\u002Fp>\u003Cp>Trong {{topic|%7B%22topic%22%3A%22m%C3%B4%20h%C3%ACnh%20h%E1%BB%93i%20quy%20logistic%22%7D}}, đầu ra của hàm sigmoid đại diện cho {{topic|%7B%22topic%22%3A%22x%C3%A1c%20su%E1%BA%A5t%22%7D}} của biến phụ thuộc nhận giá trị 1. Việc sử dụng hàm sigmoid đảm bảo rằng mô hình luôn đưa ra giá trị xác suất hợp lệ cho mọi tổ hợp của các biến độc lập.\u003C\u002Fp>\u003Cp>Nguồn: \u003Ca href=\"https:\u002F\u002Fdevelopers.google.com\u002Fmachine-learning\u002Fcrash-course\u002Flogistic-regression\u002Fsigmoid-function\">Google Developers – Sigmoid Function\u003C\u002Fa>\u003C\u002Fp>\u003Ch2>Ước lượng tham số bằng Maximum Likelihood\u003C\u002Fh2>\u003Cp>Trong hồi quy logistic, các tham số của mô hình được ước lượng bằng phương pháp cực đại hóa hợp lý (Maximum Likelihood Estimation – MLE). Mục tiêu là tìm bộ tham số \u003Cscript type=\"math\u002Ftex\">\\boldsymbol{\\beta}\u003C\u002Fscript>sao cho xác suất quan sát dữ liệu {{topic|%7B%22topic%22%3A%22hu%E1%BA%A5n%20luy%E1%BB%87n%22%7D}} là lớn nhất.\u003C\u002Fp>\u003Cp>Hàm log-likelihood được định nghĩa như sau: \u003Cscript type=\"math\u002Ftex\">L(\\boldsymbol{\\beta}) = \\sum_{i=1}^{n} \\left[ y_i \\log(p_i) + (1 - y_i) \\log(1 - p_i) \\right]\u003C\u002Fscript> với \u003Cscript type=\"math\u002Ftex\">p_i\u003C\u002Fscript>là xác suất dự đoán từ mô hình. Quá trình tối ưu hóa thường được thực hiện bằng các {{topic|%7B%22topic%22%3A%22thu%E1%BA%ADt%20to%C3%A1n%22%7D}} như Gradient Descent hoặc Newton-Raphson.\u003C\u002Fp>\u003Cp>Nguồn: \u003Ca href=\"https:\u002F\u002Fwww.statlect.com\u002Ffundamentals-of-statistics\u002Flogistic-model-maximum-likelihood\">StatLect – Logistic Regression MLE\u003C\u002Fa>\u003C\u002Fp>\u003Ch2>Giả định và điều kiện áp dụng\u003C\u002Fh2>\u003Cp>Để áp dụng hồi quy logistic một cách hiệu quả, cần đảm bảo một số giả định cơ bản:\u003C\u002Fp>\u003Cul>\u003Cli>Biến phụ thuộc là nhị phân (0 hoặc 1).\u003C\u002Fli>\u003Cli>Các quan sát độc lập với nhau.\u003C\u002Fli>\u003Cli>Không có đa cộng tuyến nghiêm trọng giữa các biến độc lập.\u003C\u002Fli>\u003Cli>Mối quan hệ tuyến tính giữa logit của biến phụ thuộc và các biến độc lập.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Logit là log của tỷ lệ odds, được định nghĩa như sau: \u003Cscript type=\"math\u002Ftex\">\\log\\left(\\frac{P}{1-P}\\right) = \\beta_0 + \\sum_{i=1}^{n} \\beta_i x_i\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>Nguồn: \u003Ca href=\"https:\u002F\u002Fwww.statisticssolutions.com\u002Ffree-resources\u002Fdirectory-of-statistical-analyses\u002Fassumptions-of-logistic-regression\u002F\">Statistics Solutions – Assumptions of Logistic Regression\u003C\u002Fa>\u003C\u002Fp>\u003Ch2>Đánh giá mô hình hồi quy logistic\u003C\u002Fh2>\u003Cp>Đánh giá chất lượng của mô hình hồi quy logistic không thể dựa vào hệ số \u003Cscript type=\"math\u002Ftex\">R^2\u003C\u002Fscript>như trong {{topic|%7B%22topic%22%3A%22h%E1%BB%93i%20quy%20tuy%E1%BA%BFn%20t%C3%ADnh%22%7D}}. Thay vào đó, ta sử dụng các chỉ số đặc thù cho bài toán phân loại nhị phân. Một trong những công cụ chính là ma trận nhầm lẫn (confusion matrix), thể hiện mối quan hệ giữa {{topic|%7B%22topic%22%3A%22gi%C3%A1%20tr%E1%BB%8B%20d%E1%BB%B1%20%C4%91o%C3%A1n%22%7D}} và thực tế.\u003C\u002Fp>\u003Cp>Từ ma trận nhầm lẫn, có thể tính toán:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Accuracy\u003C\u002Fstrong>: tỷ lệ dự đoán đúng tổng thể\u003C\u002Fli>\u003Cli>\u003Cstrong>Precision\u003C\u002Fstrong>: tỷ lệ dương tính đúng trên tất cả dự đoán dương\u003C\u002Fli>\u003Cli>\u003Cstrong>Recall (Sensitivity)\u003C\u002Fstrong>: {{topic|%7B%22topic%22%3A%22t%E1%BB%B7%20l%E1%BB%87%20ph%C3%A1t%20hi%E1%BB%87n%22%7D}} đúng trong toàn bộ ca thực sự dương tính\u003C\u002Fli>\u003Cli>\u003Cstrong>F1-Score\u003C\u002Fstrong>: trung bình {{topic|%7B%22topic%22%3A%22%C4%91i%E1%BB%81u%20h%C3%B2a%22%7D}} của precision và recall\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Một chỉ số quan trọng khác là AUC–ROC (Area Under the Curve – Receiver Operating Characteristic), cho biết khả năng phân biệt giữa hai lớp.\u003C\u002Fp>\u003Cp>Nguồn: \u003Ca href=\"https:\u002F\u002Fdevelopers.google.com\u002Fmachine-learning\u002Fcrash-course\u002Fclassification\u002Froc-and-auc\">Google ML Crash Course – ROC & AUC\u003C\u002Fa>\u003C\u002Fp>\u003Ch2>Phân tích đa biến và mở rộng mô hình\u003C\u002Fh2>\u003Cp>Hồi quy logistic không giới hạn ở một biến độc lập. Với nhiều biến, mô hình sẽ có dạng: \u003Cscript type=\"math\u002Ftex\">P(y=1) = \\frac{1}{1 + e^{-(\\beta_0 + \\beta_1x_1 + \\dots + \\beta_nx_n)}}\u003C\u002Fscript> Việc thêm nhiều biến cho phép giải thích tốt hơn {{topic|%7B%22topic%22%3A%22c%C3%A1c%20y%E1%BA%BFu%20t%E1%BB%91%20%E1%BA%A3nh%20h%C6%B0%E1%BB%9Fng%22%7D}} đến xác suất của biến phụ thuộc, nhưng cũng cần kiểm tra đa cộng tuyến giữa các biến bằng hệ số VIF hoặc {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20t%C3%ADch%20t%C6%B0%C6%A1ng%20quan%22%7D}}.\u003C\u002Fp>\u003Cp>Ngoài mô hình nhị phân cổ điển, {{topic|%7B%22topic%22%3A%22h%E1%BB%93i%20quy%22%7D}} logistic có thể mở rộng thành:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Multinomial logistic regression\u003C\u002Fstrong>: khi biến phụ thuộc có nhiều hơn hai lớp không có thứ tự\u003C\u002Fli>\u003Cli>\u003Cstrong>Ordinal logistic regression\u003C\u002Fstrong>: khi biến phụ thuộc có thứ tự (ví dụ: {{topic|%7B%22topic%22%3A%22m%E1%BB%A9c%20%C4%91%E1%BB%99%20h%C3%A0i%20l%C3%B2ng%22%7D}})\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Nguồn: \u003Ca href=\"https:\u002F\u002Fstats.oarc.ucla.edu\u002Fother\u002Fmult-pkg\u002Fwhatstat\u002F\">UCLA – Types of Logistic Regression\u003C\u002Fa>\u003C\u002Fp>\u003Ch2>So sánh với các mô hình phân loại khác\u003C\u002Fh2>\u003Cp>Hồi quy logistic thường được so sánh với các thuật toán phân loại khác như Decision Tree, Random Forest, Support Vector Machine (SVM), và mạng nơ-ron nhân tạo. Mỗi thuật toán có ưu nhược điểm riêng và được chọn tùy theo yêu cầu dữ liệu và bài toán.\u003C\u002Fp>\u003Cp>So sánh nhanh:\u003C\u002Fp>\u003Cfigure class=\"table\">\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>Thuật toán\u003C\u002Fth>\u003Cth>Ưu điểm\u003C\u002Fth>\u003Cth>Hạn chế\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>Logistic Regression\u003C\u002Ftd>\u003Ctd>Dễ hiểu, diễn giải rõ ràng, nhanh\u003C\u002Ftd>\u003Ctd>Không xử lý tốt mối quan hệ phi tuyến\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Decision Tree\u003C\u002Ftd>\u003Ctd>Trực quan, không yêu cầu giả định thống kê\u003C\u002Ftd>\u003Ctd>Dễ overfit nếu không cắt tỉa\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>SVM\u003C\u002Ftd>\u003Ctd>Hiệu quả cao với dữ liệu phân lớp tốt\u003C\u002Ftd>\u003Ctd>Khó giải thích, tốn tài nguyên\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Ffigure>\u003Ch2>Ứng dụng thực tế\u003C\u002Fh2>\u003Cp>Hồi quy logistic là công cụ quan trọng trong nhiều lĩnh vực nhờ tính đơn giản và hiệu quả trong phân loại. Trong y học, nó được dùng để phân tích yếu tố nguy cơ bệnh tim, dự đoán khả năng sống sót sau điều trị hoặc tiên lượng {{topic|%7B%22topic%22%3A%22b%E1%BB%87nh%20m%E1%BA%A1n%20t%C3%ADnh%22%7D}}.\u003C\u002Fp>\u003Cp>Trong lĩnh vực tài chính – ngân hàng, {{topic|%7B%22topic%22%3A%22h%E1%BB%93i%20quy%22%7D}} logistic hỗ trợ chấm điểm tín dụng, phát hiện gian lận giao dịch, hoặc dự báo vỡ nợ. Trong marketing, nó giúp xác định khả năng khách hàng phản hồi chiến dịch quảng cáo, hoặc dự đoán hành vi rời bỏ dịch vụ.\u003C\u002Fp>\u003Cp>Nguồn: \u003Ca href=\"https:\u002F\u002Fwww.ncbi.nlm.nih.gov\u002Fpmc\u002Farticles\u002FPMC2938757\u002F\">NCBI – Logistic Regression Applications\u003C\u002Fa>\u003C\u002Fp>\u003Ch2>Ưu điểm, hạn chế và cải tiến\u003C\u002Fh2>\u003Cp>Ưu điểm chính:\u003C\u002Fp>\u003Cul>\u003Cli>Diễn giải dễ hiểu nhờ hệ số log-odds\u003C\u002Fli>\u003Cli>Yêu cầu tài nguyên thấp, {{topic|%7B%22topic%22%3A%22hu%E1%BA%A5n%20luy%E1%BB%87n%22%7D}} nhanh\u003C\u002Fli>\u003Cli>Hoạt động tốt với dữ liệu vừa và nhỏ, không cần {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20ph%E1%BB%91i%22%7D}} chuẩn\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Hạn chế:\u003C\u002Fp>\u003Cul>\u003Cli>Hiệu suất giảm khi có nhiều {{topic|%7B%22topic%22%3A%22t%C6%B0%C6%A1ng%20t%C3%A1c%20phi%20tuy%E1%BA%BFn%22%7D}}\u003C\u002Fli>\u003Cli>Nhạy cảm với nhiễu và biến không liên quan\u003C\u002Fli>\u003Cli>Không hiệu quả với dữ liệu mất cân bằng nghiêm trọng\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Các cải tiến kỹ thuật:\u003C\u002Fp>\u003Cul>\u003Cli>Sử dụng chuẩn hóa L1 (Lasso) hoặc L2 (Ridge) để giảm overfitting\u003C\u002Fli>\u003Cli>Trích chọn đặc trưng và kỹ thuật sampling (SMOTE) để xử lý mất cân bằng\u003C\u002Fli>\u003Cli>Kết hợp hồi quy logistic trong ensemble models hoặc pipelines đa giai đoạn\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Kết luận và xu hướng phát triển\u003C\u002Fh2>\u003Cp>Hồi quy logistic là một trong những công cụ nền tảng trong thống kê ứng dụng và {{topic|%7B%22topic%22%3A%22h%E1%BB%8Dc%20m%C3%A1y%22%7D}}, đặc biệt hiệu quả trong các bài toán phân loại nhị phân nhờ khả năng diễn giải, dễ triển khai và hiệu suất ổn định. Mặc dù không phải mô hình mạnh nhất trong mọi trường hợp, nhưng nó vẫn là lựa chọn đầu tiên trong phân tích mô tả và kiểm định giả thuyết.\u003C\u002Fp>\u003Cp>Trong xu thế hiện đại, hồi quy logistic tiếp tục được tích hợp vào hệ thống học máy tự động (AutoML), tối ưu hóa bằng {{topic|%7B%22topic%22%3A%22thu%E1%BA%ADt%20to%C3%A1n%22%7D}} gradient cải tiến và đóng vai trò như baseline để so sánh với các mô hình phức tạp hơn. Kết hợp với học sâu hoặc sử dụng trong khung mô hình hóa tổng hợp giúp hồi quy logistic giữ vai trò quan trọng trong hệ sinh thái phân tích dữ liệu hiện đại.\u003C\u002Fp>",{"id":175,"researcherId":20,"name":176,"imageUrl":177},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",[179,180,181,182,183,184,185,186,187,188,189,190,191,192,193,194,195,196],"hồi quy tuyến tính","khoa học","phân loại nhị phân","mô hình hồi quy logistic","xác suất","huấn luyện","thuật toán","giá trị dự đoán","tỷ lệ phát hiện","điều hòa","các yếu tố ảnh hưởng","phân tích tương quan","hồi quy","mức độ hài lòng","bệnh mạn tính","phân phối","tương tác phi tuyến","học máy",18,"PUBLISHED","2025-01-13T13:35:09.161+00:00","2026-09-02T12:11:04.790+00:00","2026-09-02T12:11:04.328+00:00","2026-09-02T11:22:38.577+00:00",612,[205,208,211,214,217,220,223,226,229,232],{"id":206,"title":207,"term":206,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"thang điểm morisky 8","Thang điểm morisky 8 là gì? Các công bố khoa học về Thang điểm morisky 8",{"id":209,"title":210,"term":209,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"năng lực mô hình hóa toán học","Năng lực mô hình hóa toán học là gì? Các nghiên cứu khoa học",{"id":212,"title":213,"term":212,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"hệ số dẫn nhiệt","Hệ số dẫn nhiệt là gì? Các công bố khoa học về Hệ số dẫn nhiệt",{"id":215,"title":216,"term":215,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"chuỗi markov","Chuỗi markov là gì? Các công bố khoa học về Chuỗi markov",{"id":218,"title":219,"term":218,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"matlab simulink","Matlab simulink là gì? Các công bố khoa học về Matlab simulink",{"id":221,"title":222,"term":221,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"toán cao cấp","Toán cao cấp là gì? Các nghiên cứu khoa học về Toán cao cấp",{"id":224,"title":225,"term":224,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"thành tựu","Thành tựu là gì? Các công bố khoa học về Thành tựu",{"id":227,"title":228,"term":227,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"prevalence","Prevalence là gì? Các công bố khoa học về Prevalence",{"id":230,"title":231,"term":230,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"simulink","Simulink là gì? Các công bố khoa học về Simulink",{"id":233,"title":234,"term":233,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"adolescent","Adolescent là gì? Các công bố khoa học về Adolescent"]