probit和logit的区别

logit模型和probit模型区别

logit模型和probit模型区别为Probit模型假设模型的随机扰动项服从正太分布； Logit模型对应的随机扰动项假定服从Logistic分布。由于无论是Logit 还是 Probit模型，均属于非线性回归模型，因此采用极大似然估计法估计参数而Logistic分布的 累计分布函数有解析表达式（可以理解为：它的累计分布函数可以明确的写出来，而非用隐函数的形式表达），而 正太分布 没有解析表达式。因此，使用Logit回归 比 Probit 回归估算参数更为方便。在计算机软件计算情况下，就无所谓了，都是一代码是的事情。在有些问题研究中，可以将Logit回归的 估计参数 beta值对应的 exp(beta)解释为：对应的X增加一个单位引起的几率比变化倍数， 但Probit回归系数无法进行类似的解释，这是Probit模型一个相对的劣势。logit模型：Logit模型（Logit model），也译作“评定模型”，“分类评定模型”，又作Logistic regression，“逻辑回归”，是离散选择法模型之一，Logit模型是最早的离散选择模型，也是应用最广的模型。是社会学、生物统计学、临床、数量心理学、计量经济学、市场营销等统计实证分析的常用方法。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：判别分析( Discriminantanalysis)、 Probit分析、 Logistic回归分析和对数线性模型等。

logit模型和probit模型区别

logit模型和probit模型区别如下：一、probit和logit的区别1、意思不同probit：概率单位。logistic：数理(符号)逻辑。2、用法不同probit：probit模型服从正态分布。两个模型都是离散选择模型的常用模型。但logit模型简单直接，应用更广。而且，当因变量是名义变量时，Logit和Probit没有本质的区别，一般情况下可以换用。区别在于采用的分布函数不同，前者假设随机变量服从逻辑概率分布，而后者假设随机变量服从正态分布。logistic：Logit模型是最早的离散选择模型，也是目前应用最广的模型。Logit模型是Luce(1959)根据IIA特性首次导出的;Marschark(1960)证明了Logit模型与最大效用理论的一致性;Marley(1965)研究了模型的形式和效用非确定项的分布之间的关系。3、侧重点不同probit：根据常态频率分配平均数的偏差计算统计单位。logistic：离散选择法模型之一，Logit模型是最早的离散选择模型。probit和logistic的关系如下：如果从分布角度来讲，logit函数和probit的函数几乎重叠，但反映的含义不同，logit等于p/(1-p)，这里p是结局发生的概率，而probit的函数是F-1(p)，注意-1是上标。F是累积的标准正态分布函数，所以F-1就是累积标准正态分布函数的逆函数或反函数。从解释的角度来讲，logit更容易理解一些，因为p/(1-p)就是我们常说的odds，两个odds相比就是odds ratio，也就是我们最常用的OR值。所以当我们做出结果后，logistic回归所反应的实际意义就非常直观。而相比之下，probit的含义表示自变量对累积标准正态分布函数的逆作用，这个就太让人看不懂了。