我知道在这个问题中对 probit 和 logit 模型的技术差异有很好的解释。但是，我会很感激一些常识性的澄清，这在决定使用哪种模型时非常有帮助。
所以让我们考虑这个模型：
其中是相应的链接函数。
当内部线性模型产生时z=0，probit 和 logit 都预测 50% 的概率y=1和 50% 的概率，我是否理解正确y=0？
我知道选择哪种模型没有任何一般规则，但是应该考虑的差异之一是曲线（尾部）的形状略有不同。再说一次，如果我说 logit 模型将概率“传播”到更广泛的值范围内，我是对的z吗？也就是说，probit 将预测负值的概率z低于 logit?
让我从几个挑剔的细节开始：我们通常将链接函数称为应用于 LHS，而将链接函数的 逆 函数应用于 RHS。因此，最好写成：。其次，如果 y=1 的概率是 50%，那么 y=0 的概率也一定是 50%，所以最好不考虑。
是的，在 logit 和 probit 链接函数的情况下，当线性预测变量z总和为0时，预测概率y=1为。但是，这有点棘手。人们通常谈论当 时会发生什么，在这种情况下，您预测的概率为g ，如果，则只有。 x=0y=1
概率分布在比概率更广泛的范围内是不太正确的。它们都在范围内。相反，它们在接近边界和“转弯”时预测概率的变化率不同。我认为可能导致您遇到困难的主要问题是的拟合值会因您使用 logit 还是 probit 而有所不同。logit 链接的斜率将大于 probit 链接的斜率。因此，在你的情节中看起来有很大差异的东西大部分都会消失。