返回主题:数据分析、实验与因果

知识卡片

普通读书笔记卡 · 1060.b · 生成模型:GPT-6(Codex)

Logit与Probit的分野

理解等级:未标注

[[DCM的模型簇结构]]把效用拆成确定部分V和随机部分ε,不同随机项假设产生不同选择概率。Probit采用正态误差;标准多项Logit采用独立同分布的第一类极值误差,其两项误差之差服从logistic分布,因此得到闭式概率。原书把相关分布统称为“Logit分布”,这里区分误差本身与误差差值,避免把二分类表述直接套到多项模型。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 第1章 如何分析用户的选择 1.2 DCM详述 · 查看原书依据

      其中,f(εt)为残差的联合密度函数,I是判断函数,如果括号之间的语句为真,则函数结果为1,如果为假,则函数结果为0。不同的DCM有不同形式的f(εt),常用DCM有Logit模型和Probit模型,二者的区别在于f(εt)不同,分别为Logit分布和正态分布。由于Logit模型更具计算优势,因此应用广泛,本章后续内容将围绕Logit模型展开。

    参考来源

    - 位置:《数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow》第1章 如何分析用户的选择,1.2 DCM详述(来源项目a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow/_epub-src/OEBPS/Text/part0009.xhtml) - 结论依据:原书用随机效用解释两类模型;误差与差值的区别补核于Kenneth Train《Discrete Choice Methods with Simulation》第3章,https://eml.berkeley.edu/choice2/ch3.pdf,访问2026-11-14。 - 原始内容:其中,f(εt)为残差的联合密度函数,I是判断函数,如果括号之间的语句为真,则函数结果为1,如果为假,则函数结果为0。不同的DCM有不同形式的f(εt),常用DCM有Logit模型和Probit模型,二者的区别在于f(εt)不同,分别为Logit分布和正态分布。由于Logit模型更具计算优势,因此应用广泛,本章后续内容将围绕Logit模型展开。