probit模型与logit模型的相同点，区别及关系

2744557306

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。
) N  c! b  n) Y9 e- F" C/ f' j2 I
8 W; ~* O4 u' q( h' n相同点：
) T( C. s! c2 Z$ T  B0 A8 F
8 t, ?# g8 G3 w, I% 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。
它们都是基于最大似然估计来确定系数估计值。
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。
区别：

6 m, C2 M2 w, v1 @9 U' t' Y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。
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。
1 a* }2 w1 s9 N" N& H* S0 i2 X6 a, U" y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。
! v' n# W, J) [1 N9 J+ Q关系：

! C7 c9 n8 M; G% b8 \6 }  H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。
2 y. C0 ?; m; U  U- E


6 `6 W! {% j0 k* U0 r& O+ _! t