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。

相同点：

5 R, E; d& P7 h5 {: w+ a3 _7 b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。
$ M" `$ l0 y" X# f. o5 G它们都是基于最大似然估计来确定系数估计值。
, Z4 [* m, j9 R) m# T4 Q  Y7 d, d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：
9 w) U3 L' F" a
# B! \% R! h) E! i* x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。
$ |0 M4 p5 i' x0 R. [4 z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。
$ w4 ~  G+ J2 T% N; A( q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。
& @1 n0 T0 a6 m3 d/ E5 I, S9 B关系：
8 Y  L3 i2 ^2 a; b
- b4 ]6 p4 A9 ~& D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。


- K$ K: T, \- H
! ^) C8 f5 l$ |- V4 e1 {4 a' `