Debido a esto, el logit también se llama log-odds ya que es igual al logaritmo de las odds donde p es una probabilidad. Por lo tanto, el logit es un tipo de función que asigna valores de probabilidad a números reales en [1] , similar a la función probit .
Definición
Si p es una probabilidad , entonces p /(1 − p ) son las probabilidades correspondientes ; el logit de la probabilidad es el logaritmo de las probabilidades, es decir:
La base de la función logarítmica utilizada tiene poca importancia en el presente artículo, siempre que sea mayor que 1, pero el logaritmo natural con base e es el más utilizado. La elección de la base corresponde a la elección de la unidad logarítmica del valor: la base 2 corresponde a un shannon , la base e a un “ nat ”, y la base 10 a un hartley ; Estas unidades se utilizan particularmente en interpretaciones de la teoría de la información. Para cada elección de base, la función logit toma valores entre el infinito negativo y el positivo.
La función “logística” de cualquier número viene dada por el logit inverso :
La diferencia entre los logit s de dos probabilidades es el logaritmo de la razón de probabilidades ( R ), proporcionando así una forma abreviada de escribir la combinación correcta de razones de probabilidad solo sumando y restando :
Historia
Se han explorado varios enfoques para adaptar los métodos de regresión lineal a un dominio donde el resultado es un valor de probabilidad , en lugar de cualquier número real . En muchos casos, dichos esfuerzos se han centrado en modelar este problema mapeando el rango y luego ejecutando la regresión lineal sobre estos valores transformados. [2]
En 1934, Chester Ittner Bliss utilizó la función de distribución normal acumulativa para realizar este mapeo y llamó a su modelo probit , una abreviatura de " unidad de probabilidad ". Sin embargo, esto es computacionalmente más costoso. [2]
En 1944, Joseph Berkson utilizó el registro de probabilidades y llamó a esta función logit , una abreviatura de " unidad logística " , siguiendo la analogía de probit:
"Utilizo este término [logit] para seguir a Bliss, quien llamó 'probit' a la función análoga que es lineal para la curva normal".
—Joseph Berkson (1944) [3]
Charles Sanders Peirce (finales del siglo XIX) utilizó ampliamente las probabilidades logarítmicas . [4] GA Barnard en 1949 acuñó el término comúnmente utilizado log-odds ; [5] [6] el log-odds de un evento es el logit de la probabilidad del evento. [7] Barnard también acuñó el término lods como una forma abstracta de "log-odds", [8] pero sugirió que "en la práctica, el término 'odds' normalmente debería usarse, ya que es más familiar en la vida cotidiana". [9]
El logit también es fundamental para el modelo probabilístico de medición de Rasch , que tiene aplicaciones en la evaluación psicológica y educativa, entre otras áreas.
La función logit inversa (es decir, la función logística ) también se denomina a veces función de salida . [10]
En epidemiología de enfermedades de plantas, el logit se utiliza para ajustar los datos a un modelo logístico. Con los modelos Gompertz y Monomolecular, los tres se conocen como modelos de la familia Richards.
La función logarítmica de probabilidades se utiliza a menudo en algoritmos de estimación de estados [11] debido a sus ventajas numéricas en el caso de probabilidades pequeñas. En lugar de multiplicar números de coma flotante muy pequeños, las probabilidades logarítmicas pueden simplemente sumarse para calcular la probabilidad conjunta (logaritmo-probabilidades). [12] [13]
Como se muestra en el gráfico de la derecha, las funciones logit y probit son extremadamente similares cuando se escala la función probit , de modo que su pendiente en y = 0 coincide con la pendiente del logit . Como resultado, a veces se utilizan modelos probit en lugar de modelos logit porque para ciertas aplicaciones (por ejemplo, en la teoría de respuesta al ítem ) la implementación es más fácil. [14]
^ ab Cramer, JS (2003). "Los orígenes y desarrollo del modelo logit" (PDF) . Cambridge UP.
^ Berkson 1944, pag. 361, nota al pie 2.
^ Stigler, Stephen M. (1986). La historia de la estadística : la medición de la incertidumbre antes de 1900 . Cambridge, Massachusetts: Belknap Press de Harvard University Press. ISBN978-0-674-40340-6.
^ Cramer, JS (2003), Modelos logit de economía y otros campos, Cambridge University Press, pág. 13, ISBN9781139438193.
^ Barnard 1949, pag. 120.128.
^ Barnard 1949, pag. 136.
^ "R: función logit inversa". Archivado desde el original el 6 de julio de 2011 . Consultado el 18 de febrero de 2011 .
^ Thrun, Sebastián (2003). "Aprendizaje de mapas de cuadrícula de ocupación con modelos de sensores delanteros". Robots Autónomos . 15 (2): 111-127. doi :10.1023/A:1025584807625. ISSN 0929-5593. S2CID 2279013.
^ Styler, Alex (2012). «Técnicas Estadísticas en Robótica» (PDF) . pag. 2 . Consultado el 26 de enero de 2017 .
^ Dickmann, J.; Appenrodt, N.; Klappstein, J.; Bloecher, HL; Muntzinger, M.; Marinero, A.; Hahn, M.; Brenk, C. (1 de enero de 2015). "Hacer que Bertha vea aún más: contribución del radar". Acceso IEEE . 3 : 1233-1247. doi : 10.1109/ACCESS.2015.2454533 . ISSN 2169-3536.
^ Alberto, James H. (2016). "Logit, Probit y otras funciones de respuesta". Manual de teoría de respuesta al ítem . vol. Dos. Chapman y Hall. págs. 3–22. doi :10.1201/b19166-1.
Barnard, George Alfred (1949). "Inferencia estadística". Revista de la Real Sociedad de Estadística . B.11 (2): 115-149 . JSTOR 2984075.
enlaces externos
¿Qué función de enlace: Logit, Probit o Cloglog? 12.04.2023
Otras lecturas
Ashton, Winifred D. (1972). La Transformación Logit: con especial referencia a sus usos en Bioensayo . Cursos y monografías estadísticas de Griffin. vol. 32. Charles Griffin. ISBN 978-0-85264-212-2.