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，Logit模型是最早的离散选择模型，也是目前应用最广的模型。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。 Logit模型（Logit模型，也翻译为“评估模型”，“分类评估模型”，也称为Logistic回归，“ logistic回归”）是离散选择方法模型之一，属于多元分析，社会学，生物统计学，临床，定量心理学，计量经济学，市场营销等统计实证分析的常用方法。 物流分配公式 P（Y =1│X= x）= exp（x'β）/（1 + exp（x'β）） 通常通过最大似然来估计参数β。 Logit模型是最早的离散选择模型，也是使用最广泛的模型。 Logit模型首先由Luce（1959）根据IIA特性得出。 Marschark（1960）用最大效用理论证明了Logit模型的一致性。 Marley（1965）研究了模型形式与非确定效用项的分布之间的关系，证明了极值分布可以推导模型的Logit形式。 McFadden（1974）反过来证明，具有Logit形式的模型的非确定性项必须服从极值分布。 从那时起，Logit模型已在心理学，社会学，经济学和交通运输领域得到广泛使用，并且衍生并开发了其他离散选择模型以形成完整的离散选择模型系统，例如Probit模型和NL模型（Nest Logit模型）。 ），混合Logit模型等。该模型假定单个n对选择分支j的效用包括两部分：效用决定因素项和随机项： Logit模型得到广泛应用的原因主要是由于其概率表达式的显着特征，模型的快速求解速度以及便捷的应用。当模型选择集不发生变化时，仅当每个变量的级别发生变化时（例如行进时间发生变化），就可以轻松解决新环境中每个选择分支的概率。根据Logit模型的IIA特性，选择分支的减少或增加不会影响其他选择中被选择概率的比率。因此，可以将要删除的选择分支直接从模型中删除，或者可以将新添加的选择分支直接从模型中删除。添加到模型并将其直接用于预测。 Logit模型的应用便利性在其他模型中是不可用的，这也是该模型被广泛使用的主要原因之一。 本文来源：https://www.wddqw.com/doc/f50e2e1ac8aedd3383c4bb4cf7ec4afe05a1b150.html