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。
+ y0 F4 T$ A' x9 ~$ n
* T/ Y Q* M8 a/ n
相同点：
8 |1 {/ J0 x+ P
, u% O h( |) F1 A$ L% n$ U2 {
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。
1 T6 r: C4 {! ?# n; `
它们都是基于最大似然估计来确定系数估计值。
# t; ]9 h [! F9 e2 E0 p: I
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。
- _6 w% u8 S) i/ E; b8 o! Q* ?
区别：
+ r% V& I: w' A+ T" A* D0 j9 i
' ]: h) W% H2 u' |2 r
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。
8 s+ y# j; `( o+ }, s. `2 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。
% o4 z$ U6 a1 k9 K
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。
# e2 j8 R9 Z% G$ f
关系：
1 R% g9 |( k6 G2 C d4 U
( q% i* k; M$ ^- }8 ]/ J6 A
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。
: F e3 r' W* p9 |3 d8 q/ t. f3 d
, ]+ Q' V- Z6 W8 l
" j- Y! x+ a2 e( f. ~1 {- n
/ i% Z( ^/ I4 [6 {+ |" `. i( J, o
欢迎光临 数学建模社区-数学中国 (http://www.madio.net/)
Powered by Discuz! X2.5