之前在《Logit究竟是个啥?——离散选择模型之三》一文中提过,Logit应该理解成Log-it,这里的it指的是Odds(“胜率”,等于P/1-P)。一个Logit变换就是从概率P到的过程,如下图所示:
当我们讨论Logit的模型时候,指的是下面这种形式:
注意,等号的右边是自变量的线性组合。
我记得以前在学《数学建模》的时候,有一个人口增长模型:(1)如果没有资源限制的话,人口随时间的变化率
和总人口的数量(
)呈线性关系(人口越多,繁殖的越快)——这就是指数增长模型(Exponential Growth,见下图左侧)。(2)实际情况下,由于受到环境、资源等各方面的限制,人口变化曲线一般呈S-型——起初人口数量较少的时候增长率较低,然后随着时间的推移逐渐增加;当达到资源限制的瓶颈(K)的时候,增长率又下降至零——我们把这种非线性的S-型增长模型称之为 Logistic Growth,如下图右侧所示。
求解上图右侧(Logistic Growth)对应的微分方程
。令
可得:
结合初始条件
时
,可以得到微分方程的解为:
由于人口数量N总是小于阈值K(在
时刻的人口数量
小于K),所以
,故而
是一个大于0的数。我们总能找到一个常数
使得
成立。这样上式就可以简化为:
更进一步:用
替换
、
替换
,然后再把自变量换成
,可以得到一个看起来更加舒服的式子:
(2)式即为Logistic函数。有没有觉得这个式子很眼熟?
对于(1)式的Logit模型,只考虑一个自变量时:
两边同时做指数运算(求e次方):
然后整理可得:
(2)、(3)不是一样的么?
所以,Logit 模型和Logistic模型是一回事。
当我们说Logit模型的时候,一般指的就是这个式子:
当我们说Logistic模型的时候,一般指的是这个式子:
小结一下:
(1)Logit模型的左侧是Odds的对数,而Logistic模型的左侧是概率。
(2)Logit模型的右侧是一个线性结构,而Logistic模型的右侧是非线性的。
(3)二者可以相互转化。
题外话:Logit模型是基于效用理论(可以参见上一篇文章:效用最大化准则:离散选择模型的核心(Probit篇)——离散选择模型之七)推导出来的,而Logistic函数可以通过求解微分方程得到。两者最后竟然异曲同工——不得不承认数学的神奇!
【本篇完】
关注【DCM笔记】公众号,私信作者获取相关专栏文章中的 练习数据 和 代码:
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)