reg适合定量变量，logistic适合定性的，比如含0，1那种

reg回归分析主要解决的问题：
　　当人们从一组对象上获得２个或多个指标的观测值时，往往需要回答下述几个问题：①如何实现预测，即如何由１个或多个指标(自变量)的值去推算另１个或多个指标(因变量)的值；②如何实现控制，即事先给产品质量应达到的标准（因变量的取值范围），根据变量之间的数量关系去控制那些影响产品质量的因素（自变量）的变化区间；③如何实现修匀，由于所研究的指标带有变异性，当用散布图将变量之间的关系呈现出来时，散点所形成的轨迹并非像数学中初等函数那样有规律，需要用合适的数学方法（如用直线或某种光滑曲线）对资料进行修匀，使变量之间本质联系更清楚地呈现出来。回归分析正是回答上述问题的一种最常用最有效的统计分析方法之一。

由于reg线性回归模型的一个局限性是要求因变量是定量变量（定距变量、定比变量）而不能是
定性变量（定序变量、定类变量）。但是在许多实际问题中，经常出现因变量是定性变量（分
类变量）的情况。可用于处理分类因变量的统计分析方法有：判别分别(Discriminant analysis)、
Probit 分析、Logistic 回归分析和对数线性模型等。在社会科学中，应用最多的是Logistic
回归分析。Logistic 回归分析根据因变量取值类别不同，又可以分为Binary Logistic 回归分
析和Multinomial Logistic 回归分析，Binary Logistic 回归模型中因变量只能取两个值1 和0
（虚拟因变量），而Multinomial Logistic 回归模型中因变量可以取多个值。

比如：
因变量取值为0, 1，或 有排序，等级等。自变量可能是分类变量，也可能是连续变量。这种情况使用Logistic（逻辑斯谛回归）方法建立回归方程。

reg是处理连续型变量的（正态分布）
logistic处理分类变量的

4# Biostatistician

正态分布也属于GLM家族（exponential family），而且还是老大哥呢。所以这一点不同不算。

不错，你说的对，只能说处理的outcome分布不同了~~