数学建模社区-数学中国
标题:
probit模型与logit模型的相同点，区别及关系
[打印本页]
作者:
2744557306
时间:
2023-11-30 17:36
标题:
probit模型与logit模型的相同点，区别及关系
Probit模型和Logit模型都是常用的统计学习方法，主要用于二分类问题中。
2 _+ u" `4 C& z; @" u3 {
+ u- v3 ^7 q7 w, k
相同点：
% z2 a9 E4 ` F1 N% B! c b
- n- k4 F, x X8 m( b; M7 l
它们都是广义线性模型，通过建立数据与概率之间的联系来预测离散响应变量的可能性。
( k. y3 L- F& N' l9 E
它们都是基于最大似然估计来确定系数估计值。
# q! C6 y2 K' X
它们都使用正态或标准 logistic 分布对连续响应 (如概率值) 进行转换。
% A2 y9 T2 I9 ~, m$ @ p) J1 V
区别：
# V* i5 p i% E0 ^7 i
1 ?8 Q% d/ B- X! j* C8 }" C
模型形式不同：Logit模型使用logistic分布函数来连接自变量和二元响应变量之间的关系，而Probit模型则使用正态分布函数。
( z' E1 V! h! W
拟合效果不同：将同样的数据拟合这两个模型得到的结果通常会不一样，但通常情况下这两者之间的差异并不明显。
- m. g/ ]' A: d; x1 r# ^2 |1 | \) P
解释系数不同：当我们解释一个Probit模型时，各系数代表着在隐变量上提高了多少标准差对 P(Y = 1) 的影响。当解释Logit模型时，每个系数表示因为单位变化而导致的log odds的变化大小。
8 \+ u5 |2 L& W$ [% w( D
关系：
- ^! D& N$ D0 I; T* m2 ^
2 b; M" W6 Z$ z& y) t, g
尽管 Probit 和 Logit 方法采用不同的连续分布函数，但其核心思想是非常类似的，即通过对响应变量的概率建模，对感兴趣的输出和输入之间的内在联系进行建模，并使用通常最大似然的参数拟合方法估计这些模型参数。因此，这两种方法通常被用于相同的建模问题并产生类似的预测结果。
" ^( T |, w# T4 B% w) e
- z% f8 M2 D8 z
3 w& N3 ?8 h, V! @4 G8 P: W0 Q. q
8 o. f n% Y i) f
欢迎光临 数学建模社区-数学中国 (http://www.madio.net/)
Powered by Discuz! X2.5