整合 Figures 7.1–7.4，理解 Natural Log、Anti-log、Logistic Function 與 Probability Conversion。
能說明 Logit 如何解除 Probability 的 0 與 1 邊界限制。
Binary DV 若直接套用 Linear Regression，可能產生小於 0 或大於 1 的預測，因此原書改以 Logit 建模。
| 原書示例 | 數值／公式 |
|---|---|
| 2³ | 8 |
| log₂(8) | 3 |
| ln(3) | 1.099 |
| e | 約 2.718281828 |
| Logit | ln[P/(1−P)] |
先將 Probability 轉成 Odds，再取 Natural Log；模型形式為 Ylogit=β₀+β₁X₁+β₂X₂+…，之後再轉回 Probability。
原書示例 ln(3)=1.099；Anti-log 可將 1.099 轉回約 3。Figure 7.3 顯示 Logistic Function 接近但不達 0 與 1。
管理者最後通常需要 Probability，而模型估計則在 Log Odds 尺度進行；兩種尺度服務不同解讀目的。
請只使用原書公式，解釋 Probability→Odds→Log Odds→Probability 的邏輯，並標出每一步的尺度。
為什麼不能直接以 Linear Regression 預測 Binary DV？
參考解答： 原書指出 Linear Prediction 可能超出 0–1，而 Probability 必須被限制於該範圍。