爱华网probit回归和logistic回归几乎可以用于相同的数据，对于二分类因变量，这两种方法的结果十分类似。那他们到底有什么区别呢？
如果从分布角度来讲，logit函数和probit的函数几乎重叠，但反映的含义不同，logit等于p/（1-p），这里p是结局发生的概率，而probit的函数是F-1（p），注意-1是上标。F是累积的标准正态分布函数，所以F-1就是累积标准正态分布函数的逆函数或反函数。
从解释的角度来讲，logit更容易理解一些，因为p/（1-p）就是我们常说的odds，两个odds相比就是oddsratio，也就是我们最常用的OR值。所以当我们做出结果后，logistic回归所反应的实际意义就非常直观。而相比之下，probit的含义表示自变量对累积标准正态分布函数的逆作用，这个就太让人看不懂了。当然，实际上我们也可以通过正态分布值求出probit回归中的p，作为概率预测，只是比logistic回归要稍微麻烦一些。
但这两个方法之间也是有关联的，通常情况下，probit回归估计出的参数值乘以1.814，大致会等于logistic回归中的参数值。
实际中具体选择哪个方法呢？据笔者所查阅的 文献，尚未发现有理论依据，更多的仍是根据个人习惯。
喝豆浆发病
是否
是ab
否cd
1、喝豆浆者相对于未喝豆浆者患痢疾的RR（相对危险度）=[a/(a+b)]/[c/(c+d)]
2、喝豆浆者相对于未喝豆浆者的AR（归因危险度）=[a/(a+b)]-[c/(c+d)]
AR%（归因危险度百分比）=100%×AR/[a/(a+b)]=100%×[（RR-1）/RR]
3、OR（定义比数比）=ad/bc
4、RR有量化意义上的解释，如RR= 2表示喝豆浆者的发病率为未喝豆浆者的2倍；但是，OR =2就没有量化意义上的解释，只能说喝豆浆者的发病率高于未喝豆浆者，但高多少则不能确定。在队列研究中，应该报告RR；在病例对照研究中，一般认为当发病率低于10%时，才应该报告OR值，此时的OR值比较接近RR值，可以作为RR值的一个近似估计值（注意，病例对照研究不知道发病率，因此也不能直接计算RR）。因此，RR和OR值出现较大差异的原因就是因为发病率过高（一般认为高于10%即为过高，不适合做病例对照研究）。
Probity模型：
Logistic模型：
