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。

+ p, {2 L/ |0 K. `% ^/ \' w相同点：
' \0 h) ^7 O/ G- a+ B! |
) Y) ]* `; m! g1 s5 w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。
! y# c/ p0 W) R3 x  [5 v* ]/ R% U, y* D它们都是基于最大似然估计来确定系数估计值。
# n8 K6 C$ f+ 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。
1 m& A7 P: c; U2 [+ P, h区别：

! v4 M# h6 T4 Y2 B7 b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。
7 ~' C; b+ B/ m( O+ f( _+ y! A. E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。
+ Y6 {, h" G6 V: G- c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。
关系：
1 f, `) R( H8 U) m. \" F
5 f5 L8 o% n. ?5 H- Z9 |: c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。

/ X6 t9 A6 ~/ ?1 c0 O* h8 f6 [

" O6 d% @% [5 P