誰知道什麼是“logit 模型”？

如果你看一下這三本書的相關內容，你基本上可以弄清楚概率估計模型，但不知道網上有沒有這本書的電子版。 在這裡，我可以簡單地問你這個問題。

首先，人們通常用“邏輯回歸”、“邏輯模型”、“邏輯回歸模型”和“logit模型”來指代同乙個模型，唯一的區別是形式：邏輯回歸直接估計概率，而logit模型做概率的logit變換。 但是，似乎由分類自變數組成的模型稱為logit模型，同時具有分類自變數和連續自變數的模型稱為邏輯回歸模型。

至於是二元還是多變數，關鍵是要看因變數和類別的數量，多變數是二元的擴充套件。

其次，當因變數是名義變數時，logit 和 probit 之間沒有本質區別，它們通常可以互換使用。 區別在於所採用的分布函式，前者假設隨機變數服從邏輯概率分布，而後者假設隨機變數服從正態分佈。 其實這兩個分布函式的公式非常相似，函式值之間的差異並不大，唯一的區別是邏輯概率分布函式的尾部比正態分佈粗。

logit模型和probit模型的結果之所以差異很大，是因為實驗時引數設定不同，引數相同時結果相同。

Logit 模型。

玉慶的“分類民業評價模型”又稱“評價模型”，又稱邏輯回歸和“邏輯回歸”，是離散選擇方法模型之一，logit模型是最早的離散選擇模型，也是應用最廣泛的模型。 它是社會學、生物統計學、臨床、定量心理學、計量經濟學。

市場營銷等領域常用的統計實證分析方法。

ProBit 模型是乙個線性模型。 這是乙個正態分佈。

首先，主題不同。

1.Logit模型：它是離散選擇模型之一，logit模型是最早的離散選擇模型，也是目前應用最廣泛的模型。

2.Logistic模型：又稱Logistic回歸分析，Logistic回歸的因變數可以是二分非線性差分方程或多分類方程。

二是特點不同。

1.Logit模型：因變數不是常規的連續變數，而是對數發生比，雖然每個自變數的估計係數的含義與一般線性回歸相同，但數字的經濟意義，轉換logit後再解釋更方便，而不是直接解釋係數本身， 也就是說，取回歸模型方程兩邊的自然指數。

2. Logistic模型：如果已經建立了Logistic回歸模型，則可以使用該模型來確定在不同自變數下疾病或情況發生的概率有多高。

第三，優勢不同。

1.Logit模型：該模型考察了在兩次貨幣危機定義的情況下發生貨幣危機的可能性，即匯率大幅貶值，貨幣貶值超過前一水平的情況，而前乙個模型只考慮了一種情況。

2.Logistic模型：在流行病學中應用廣泛，比較常用的情況是探究一種疾病的危險因素，根據危險因素**某種疾病發生的可能性等。

首先，含義不同。

Logistic回歸是乙個概率模型，是乙個非線性表示式，它的線性表示式是對數回歸。 Logistic 回歸計算 p，而 logit 回歸計算 logit（p）。 Logistic是一種概率非線性回歸，是一種多變數分析方法，用於研究二分類（可擴充套件的多分類）觀測值與某些影響因素之間的關係。

二是參比不同。

Logit 是將其中乙個選擇作為另乙個選擇的參考，而 logistic 是將一件事的不發生作為這件事發生的參考。 在模型上完全相同。 但是，由於 logit 選擇乙個選項作為參考，因此模型中的乙個引數對應於兩個變數，對應於兩個選項。

另一方面，邏輯只對應於乙個變數，因為引用物件是事件的未發生，即事件本身。 但本質是完全一樣的。

第三，模式不同。

logit 模型的左側是賠率的對數，而邏輯模型的左側是概率。

logit 模型的右側是線性結構，而 logistic 模型的右側是非線性的。

（1）兩者的根本區別在於廣義線性模型中連線函式的形式。 logit 是對數 log（a），邏輯形式是 log（a 1-a）。

2）在應用方面，普通logistic的響應變數為二元，多元logistic的因變數可以是多元的。logit 的響應變數可以是多變數的。

3）在統計軟體SPSS中，Logit屬於對數線性模型，分析結果主要是因變數與自變數的關係，可細化為分類因變數與分類自變數的關係。Logistic 是一種回歸分析，其中分析結果是根據變數引數估計的。 回歸下有二元邏輯回歸和多項式邏輯回歸。

當因變數僅取 0 和 1 時，使用二元邏輯回歸。 多項式邏輯回歸分為多分類無序因變數和多分類有序因變數的邏輯回歸。 即那些具有兩個以上因變數的變數。

4）當因變數為多類時，可以使用logistic或logit，結果相差不大。

logit模型（又稱“評價模型”、“分類評價模型”，又稱logistic回歸、“logistic回歸”）是離散選擇模型之一，logit模型是目前最早的離散選擇模型，也是目前應用最廣泛的模型。

它是社會學、生物統計學、臨床學、定量心理學、計量經濟學、市場營銷等統計學實證分析的常用方法。 logit模型是最早的離散選擇模型，也是目前應用最廣泛的模型。 Logit模型首先由Luce（1959）基於IIA特徵推導出來; Marschark（1960）證明了logit模型與最大效用理論的一致性。

logit模型之所以得到廣泛應用，主要是因為其概率表示式的顯性特點，模型求解速度快，應用方便。