选择逻辑函数作为从一个或多个变量估计概率的“默认”方法有几个原因。这里有几个：

1. 历史，例如剂量反应曲线
2. 当与模型右侧的回归规范一起使用时，回归效应是可以解释的，因为它们可以与预测变量的单独效应的优势比相关
3. 如果您从线性判别分析中的预测变量的多元正态假设开始，则使用贝叶斯规则反转条件产生逻辑模型
4. 形状在很多时候都适合实际数据

请注意，逻辑不用于分类，而是用于直接概率估计。

逻辑链接函数的一个技术特征是，当与 ML 估计（或具有平坦先验的后验模式）结合时，梯度方程变为

也就是说，您的残差与协变量不相关（注意：是二进制或）。这类似于 ols 回归。如果您有不同的链接函数 - 通过包含“权重”来修改方程式，这取决于链接函数与逻辑函数的不同程度。这样做的一个实际特征是，如果您在模型中包含截距，则拟合概率将加起来为“成功”的数量（的观察值）。对于因子变量也是如此。$p_i - y_i$$x_i$$y_i$$0$$1$$y_i=1$