在逻辑回归分析中，使用的估计方法是 **C: 极大似然法**。

### 专业分析

逻辑回归是一种用于分类问题的统计方法，它适用于因变量为二分类（例如0或1）的情况。逻辑回归的目标是预测成功事件的概率。

#### 极大似然法

- **定义**：极大似然法（Maximum Likelihood Estimation, MLE）是一种估计参数的方法，通过找出参数值，使得观察到的数据在这种参数下的似然函数达到最大。

- **为何选择极大似然法**：
- 在逻辑回归中，目标是拟合函数 \( P(Y=1|X) \)，即给定特征 \( X \) 时，事件 \( Y=1 \) 的概率。二分类特征满足伯努利分布，要求一个正则化的似然函数。
- 极大似然法适用于推导二项分布参数的最优值，可以处理非线性关系，并提供参数估计的统计性质。
- 通过优化算法（如梯度下降、牛顿法等）最大化似然函数，得到回归系数。

#### 其他选项分析

- **A: 最小二乘法**：主要用于线性回归模型，适合连续因变量的情形，无法有效捕捉二分类变量的特性。

- **B: 最大二乘法**：并不是一种常用的统计估计方法，可能是错误选项。

- **D: 有效估计法**：这是一个广义术语，不具体指某种特定的估计方法，逻辑回归中通常不使用这个术语。

使用极大似然法是因为它能更好地处理逻辑回归中的非线性特性和二分类结果的概率预测需求。