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。
关于logit和logistic模型的区别
一、主体不同 1、logit模型：是离散选择法模型之一，Logit模型是最早的离散选择模型，也是目前应用最广的模型。 2、logistic模型：又称logistic回归分析，logistic回归的因变量可以是二分非线性差分方程类的，也可以是多分类的。 二、特点不同 1、logit模型：因变量不是常规的连续变量，而是对数发生比率，尽管每个自变量的估计系数含义与一般线性回归一样，数的经济学含义，较方便的做法是将Logit进行转换后再进行解释，而不是直接解释系数本身,即将回归模型等式两侧取自然指数。 2、logistic模型：如果已经建立了logistic回归模型，则可以根据模型，预测在不同的自变量情况下，发生某病或某种情况的概率有多大。 三、优势不同 1、logit模型：模型考察了对两种货币危机定义情况下发生货币危机的可能性，即利率调整引起的汇率大幅度贬值和货币的贬值幅度超过了以往的水平的情形，而以往的模型只考虑一种情况。 2、logistic模型：在流行病学中应用较多，比较常用的情形是探索某疾病的危险因素，根据危险因素预测某疾病发生的概率等。 参考资料来源：百度百科-Logistic模型 参考资料来源：百度百科-Logit模型