Logit交通方式选择模型——例题

在仅有公共汽车和汽车两种交通方式的地区,假设有下述Logit交通方式选择模型,试用下表的现状出行时长、现状出行费用、现状划分率、将来出行时长、将来出行费用,求出这两种交通方式的将来划分率。

划分率:
P r i j B = e V i j B e V i j B + e V i j C Pr_{ij}^{B}=\frac{e^{V_{ij}^{B}}}{e^{V_{ij}^{B}}+e^{V_{ij}^{C}}} PrijB=eVijB+eVijCeVijB P r i j C = 1 − P r i j B Pr_{ij}^{C}=1-Pr_{ij}^{B} Prij<

  • 6
    点赞
  • 25
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 7
    评论
二元选择模型logit是一种统计模型,用于分析二元分类问题。在logit模型中,我们假设概率服从逻辑斯蒂分布,因此常被称为逻辑回归模型logit模型的目标是根据一系列自变量的观察数据来估计一个二元变量的概率。 logit模型的数学表达方式是通过将线性回归的结果值转换为概率值来产生一个介于0和1之间的数值。这个转换使用了一个称为logit函数(也称为log odds函数)的逆函数,它的数学表达式是: logit(p) = ln(p/(1-p)) 其中,p表示事件发生的概率。通过求解logit模型,我们可以得到估计的系数(也称为回归参数),它们表示了自变量对应的影响程度。 logit模型在实际应用中具有广泛的用途。例如,在医学研究中,logit模型可以用于预测患者患病的概率;在市场营销中,logit模型用于分析消费者购买某种商品的概率;在社会科学中,logit模型可以用于预测个体采取某种行为的概率等等。 值得注意的是,logit模型的结果通常用于二元分类,即将预测的概率值与一个阈值进行比较,以决定最终的分类结果。这个阈值通常为0.5,在概率大于0.5时为正向分类,小于0.5时为负向分类。 总之,二元选择模型logit是一种用于分析二元分类问题的统计模型,通过估计概率来预测事件发生的概率。它在实际应用中具有广泛的用途,并且通过将线性回归的结果转换为概率值,可以更好地理解和解释自变量对分类结果的影响。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 7
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

弈-剑

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值