- 在线时间
- 480 小时
- 最后登录
- 2026-6-1
- 注册时间
- 2023-7-11
- 听众数
- 4
- 收听数
- 0
- 能力
- 0 分
- 体力
- 7823 点
- 威望
- 0 点
- 阅读权限
- 255
- 积分
- 2934
- 相册
- 0
- 日志
- 0
- 记录
- 0
- 帖子
- 1174
- 主题
- 1189
- 精华
- 0
- 分享
- 0
- 好友
- 1
该用户从未签到
 |
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。( R/ i- y2 D- n9 x3 U5 l5 ]# w
8 q8 U7 ~8 J7 M( i3 @相同点:* s3 R, x, d4 Y% G2 `( S
/ Y# V; T' l; E: M$ F- X1 ~+ ?, g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。! W+ ?: ?9 Y8 v* |: `
它们都是基于最大似然估计来确定系数估计值。
4 q- F5 ~) W, t$ k$ i$ n9 s( s4 w& ]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。) _' ^! h! l7 J' R! H
区别:
# Q: q- q2 B7 s7 I- m5 n) A3 x9 J$ ~7 [/ x+ f: |$ k
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。; H6 B. ]- r% _6 B. w/ Q
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。
2 Z* S8 i$ \- \3 {5 F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。
5 x6 i* L& B, v/ _7 P关系:
$ L9 e) Z6 P) ]2 z5 [/ H4 R
( g) B; H% T. ?5 l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。- d% l. G- A" R! p% s4 H# |
' W8 C* [& B- Q2 C7 F3 ?5 u+ ]9 K+ ?% b* v/ k6 K- i
, [/ D: G/ \1 X! s5 M9 u! o" T* i
|
zan
|