Logit模型是一种广泛应用于社会学、生物统计学等领域的离散选择模型，以其速度、预测概率的准确性、可解释性和不变性受到青睐。Logit模型的极大似然估计方法在现代计算机能力下运算速度较快，且能提供有效的概率预测。其优势比在不同情境下保持稳定，优于线性概率模型。此外，Logit模型在处理0-1结果时，预测值始终保持在合理范围内，且便于概率解释。
Logit模型：
Logit模型（Logit model，也译作“评定模型”，“分类评定模型”，又作Logistic regression，“逻辑回归”）是离散选择法模型之一，属于多重变量分析范畴，是社会学、生物统计学、临床、数量心理学、计量经济学、市场营销等统计实证分析的常用方法。
逻辑分布（Logistic distribution）公式
其中参数β常用极大似然估计。
Logit模型是最早的离散选择模型，也是目前应用最广的模型。Logit模型是Luce（1959）根据IIA特性首次导出的；Marschark（1960）证明了Logit模型与最大效用理论的一致性；Marley（1965）研究了模型的形式和效用非确定项的分布之间的关系，证明了极值分布可以推导出Logit形式的模型；McFadden（1974）反过来证明了具有Logit形式的模型效用非确定项一定服从极值分布。
此后Logit模型在心理学、社会学、经济学及交通领域得到了广泛的应用，并衍生发展出了其他离散选择模型，形成了完整的离散选择模型体系，如Probi
最低0.47元/天 解锁文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
