1、区别：如果从分布角度来讲，logit函数和probit的函数几乎重叠，但反映的含义不同，logit等于p/（1-p），这里p是结局发生的概率，而 probit的函数是F-1（p），注意-1是上标。

2、F是累积的标准正态分布函数，所以F-1就是累积标准正态分布函数的逆函数或反函数。

(资料图片)

3、从解释的角度来讲，logit更容易理解一些，因为p/（1-p）就是我们常说的odds，两个odds相比就是odds ratio，也就是我们最常用的OR值。

4、所以当我们做出结果后，logistic回归所反应的实际意义就非常直观。

5、而相比之下，probit的含义表示自 变量对累积标准正态分布函数的逆作用，这个就太让人看不懂了。

6、当然，实际上我们也可以通过正态分布值求出probit回归中的p，作为概率预测，只是比 logistic回归要稍微麻烦一些。

7、关联：这两个方法之间是有关联的，通常情况下，probit回归估计出的参数值乘以1.814，大致会等于logistic回归中的参数值。

8、probit回归模型：最简单的probit模型就是指被解释变量Y是一个0,1变量，事件发生地概率是依赖于解释变量，即P(Y=1)=f(X)，也就是说,Y=1的概率是一个关于X的函数，其中f(.)服从标准正态分布。

9、logistic回归模型：(logistic regression)属于概率型非线性回归，它是研究二分类观察结果与一些影响因素之间关系的一种多变量分析方法。

10、在流行病学研究中，经常需要分析疾病与各危险因素之间的定量关系，为了正确说明这种关系，需要排除一些混杂因素的影响。

本文就为大家分享到这里，希望小伙伴们会喜欢。

关键词：