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。
8 J) l9 r7 `( x/ S, ?$ M- u
# b5 n8 a8 q# H# S5 T3 x
相同点：
& f7 J; c; @+ _8 Y6 N4 ^ m8 d
# Y+ a- P) {% {6 p" r1 F
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。
T6 i3 U- D0 s, i
它们都是基于最大似然估计来确定系数估计值。
6 y3 w7 @) L$ r0 `& }2 h( Z
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。
# Q- Z4 t a0 @ Y
区别：
) K# h8 Z- d: q
& e( a3 X( _- S5 ?
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。
" u+ V) `' h# S9 l% y& }# L
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。
7 s& k6 F) o3 e9 |
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。
* _; F1 p) S' C ]) o2 c# F% \
关系：
0 X! i& }* o9 ]: B5 I! y1 x
& d9 C- i5 A+ N" X8 z+ D: o$ E4 q5 G: I
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。
V! P. q/ ?& l- ?' v }& \( L: ^
$ T+ U- T3 [" v
3 u" G o/ v% u4 z, e
3 @. z2 G9 z. x4 W
欢迎光临 数学建模社区-数学中国 (http://www.madio.net/)
Powered by Discuz! X2.5