我是弄贝叶斯统计的，现在也在专心弄论文，虽然弄的也是计量经济学方向，但侧重于理论研究（后验推导和MCMC抽样），当然不可避免地最终需要编写MCMC算法来实现抽样。最近也在关注logit模型，希望把自己的非参贝叶斯方法应用上去。但是起初我对Logit模型一点概念也没有，甚至logistic模型也不太清楚，因为我一直把时间放在贝叶斯理论上。所以，我开始从网络上搜集这方面的资料，凡是关于logistic和Logit的论文，以及理论部分，都认真的比较并看了下，但是在某个问题上有点小出入。一个大家公认的观点是：从某种角度来说，Logit和logtistic是没有本质意义上的差别的，似乎在和Probit模型上也只有细微的差别（就是对误差项的假设），但实际上现在意义上的logit模型已经完全不是这样理解了，我下面就从根本上分析下Logit和logistic，甚至和Probit模型的差别。现在从最基本的开始：在二元选择问题上，模型不妨设为y=a+bx+e,这里应变量y是二元选择变量，不妨设为“yes”(此时y取1好了) or"no"（此时设y取0好了）,一般也叫“discrete choice ”问题。对于这个问题（二种选择的情况），一般叫做logistic模型或者logt模型，这是可以的。顺便从本质上区别下它和logistic和probit的区别，前者假设误差项e服从Logistic分布，后者只是假设服从正态分布（normal distribution）。比如说，y=1的概率（即缺yes“的概率）Pr(y=1)=Pr(a+bx+e>=0)=Pr(e>-(a+bx)),如果我们假设e服从logitstic分布，那么就是logistic模型；如果假设e服从正态分布，那就是probit模型。但对于一般的多项选择情况，即可能有很多种选择，这个时候我们都只叫做Logit模型，就不是我们常说的误差项服从logitstic分布的Logistic模型了。具体老说，y可以有1,.2,...J这J个选择，那么我选择第I种选择是根据什么标准的呢？我们假设选择第i种选择的效用设为Ui,那么我们选择第i种的概率就为Pr(Ui>Uj,j=1,2,,i-1,i+1,...,J(其实就是j不等于i)),Ui一般假设为一般的线性形式，Ui=a+bXi+e。注意了这里的误差性就不是Loigistic分布了，而是极值分布（Extreme value type distribution），也就是形式上的二重极值分布（累积分布函数为exp(-exp(-x))）。这样的模型我们才是现在意义上的logit模型，问题的差异上就在于误差形式的假设上。现在都流行混合logit模型，也是在误差形式上做更复杂的假设条件。可能描述地不是很清楚，有想看的童鞋可以查看附件，当然是免费的自己从图书馆和网上下来的。
弄贝叶斯方面的朋友可以联系我，平时可以交流下。