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。
% z3 S" M& B! g4 s* f1 p |
7 ^' T; X0 F7 o4 j
相同点：
2 ?! S6 S; i9 c t
" M% w; W! {) i. O) z {
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。
- S: a( T! S. s# @9 g
它们都是基于最大似然估计来确定系数估计值。
. h u! U2 E. W 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。
8 J! y) m7 i' g5 w2 M
区别：
$ D& d3 t& v% z/ j7 K" r
! D8 i! g1 |* w1 I* V' g3 M, u; ?
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。
3 \* t a( R0 n7 e5 z8 H
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。
6 E0 A" ?/ H" G0 w( H
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。
& ]- q" i" i0 o1 r3 g# l: h0 M
关系：
& F) R+ z- }: _! b$ i
% \5 }2 L. ?' y* ^
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。
- h. q- } C8 Z& \: ?8 g1 z8 Z2 x5 G5 }
4 |) D4 `5 j& g" {6 g
9 x* C3 U7 E: h8 o
6 h% H6 @4 j" o$ u: a! O1 o* \
欢迎光临 数学建模社区-数学中国 (http://www.madio.net/)
Powered by Discuz! X2.5