logit回归模型_你们要的二项Logit模型在这里——离散选择模型之八

前言：本文主要介绍如何以效用最大化理论为基础，推导出二项 Logit（Binary Logit）模型。

本文为系列离散选择模型（Discrete Choice Model, DCM）系列文章的第8篇。

---

温馨提示：阅读本文之前，请准备好纸、笔、以及小板凳。自己动手推导一遍有助于理解。

Probit模型的建模过程回顾

在《效用最大化准则：离散选择模型的核心（Probit篇）——离散选择模型之七》一文中，我们基于效用最大化理论给出了二项Probit模型的推导过程。简单回顾一下建模的过程：

• 假设对于决策主体n面临两个备选方案i和j
• 方案i的效用
  可以表示为可以观测得到的、确定性的部分
  和一个随机项
  之和：

(1)

• 类似地，方案j的效用
  可以表示为：

(2)

• 对于决策主体 n 而言，若方案 i 的效用
  高于方案 j 的效用
  ，则 n 选取方案 i 。也就是说，n 选择方案 i 的概率
  等价于事件
  发生的概率：

(3)

• 如果令
  和
  服从均值为0、方差为
  和
  的正态分布，则
  服从均值为0、方差为
  的正态分布。在此基础上，便可以推导出Probit模型的表达形式如下面的（4）式所示。其中，