《解释概率模型：logit、probit以及其他广义线性模型》的主要内容是介绍多种概率模型。首先回顾了广义线性模型，第2章介绍了一种解释广义线性模型结果的系统方法。第3章解释二分logit和probit模型。第4章解释序列logit和probit模型。第5章解释有序和probit模型。第6章解释多类别logit模型。第7章解释条件logit模型。第8章解释泊松回归。*后作者总结了对概率模型结果的解释方法，并进一步评价了一些对概率模型参数估计的解释。

某件事发生的概率是多少？某个自变量与此事件概率之间有什么关系？此类问题是社会科学研究着经常遇到的。社会科学家会用概率模型来解释很多问题，许多学生虽然会运用这些模型，但似乎对这些模型并不十分了解，因此有必要对这些模型进行系统解释。《解释概率模型：logit、probit以及其他广义线性模型》就是一本相当详细的对多种概率模型进行解释的著作。本书的目的就是展示如何解释从各种概率模型中得出的结果。可以说本书非常基础，但也非常系统全面。

某事件发生的概率是什么？某个自变量与此事件概率之间有什么关系呢？还有些问题研究人员其实也经常涉及。举一个常见的政治学的例子，我们有一个涉及一些投票者样本的调查数据。关注的因变量 是供投票者选择的两个政党，自由党派（记为0）和保守党派（记为1）。问题就是选择保守党派的可能性会因为收入的增加而增加么（收入自变量 ，测量单位是以1,000美元作为一个单位）？使用线性模型是一个选择，用普通最小二乘法(OLS)回归得出的结果如下：根据对线性概率模型的解释，斜率的估计(0.01)说明收入上每增加一个单位(1,000美元)，投票给保守党派的概率平均增加了1个百分点。同时，我们看到对于收入X等于3万美元的人来说，预测的投票给保守党派的概率是0.28。尽管OLS的结果很简洁，它缺乏所需的估计量的某些特点。由于因变量二元的特性，误差项一定是异方差的(heteroscedastic)，也就意味着估计是无效率的。此外，这种模型也会得出一些概率在(0,1)之外的无意义预测。比如，对于没有收入的投票者，预测的概率等于-0.02；对于收入是103,000的投票者，预测出的概率是1.01。最后，投票与收入之间的关系也许完全是非线性的，在极端收入的情况下每个单位变化的影响会变小，也说明OLS的斜率估测是有偏误的。因此，尽管最初从OLS得出的线性概率模型看上去很有吸引力，在解释概率的时候应该尽量避免。取而代之的是一个更加适合的技巧，廖教授会对此做出详细的说明。对目前的例子来说logit模型是一个更好的选择，因变量在此进行了转化，最大似然的评估因此是，廖教授对概率模型给出了四个基本的解释。他指出在logit模型中最有用的解释就是比数和比数比。为了说明这一点，他使用了来自全国儿童调查的数据，创立了一个未成年人性行为的logit模型。通过取logit系数的指数（例如，以e为底，系数作为e的指数），他能够得出，比如未成年男性有过性行为的比数高于女性，为1.9倍。第二种常用的解释logit结果的方法就是基于一系列预定的X值来预测某事件的概率。继续他的阐述，我们可以得出，未成年人是白人女性时，有过性行为的概率是0.146。Logit模型只是廖教授所涵盖话题的其中一个。他也评估了另外一个可替代的分析方法probit模型。Probit的累积概率函数和logit模型很相似，所以它们得出的概率通常都是一样的。然而logit的优点是这些预测的概率用普通计算器就能得出。此外，在有许多极端的观测分布时，logit还是优于probit的。尽管大部分logit和probit模型集中在二元因变量上，这并非概率模型的前提。在阐述了序列（sequencial）logit和probit模型之后，廖教授介绍了如何来解释有序（ordinal）logit和probit模型。他接着介绍了多类别logit模型，也就是因变量是无法排序的（有趣的是，他指出计算上的难度让多类别probit十分罕见。）。对模型的讨论以用来估测罕见事件概率的泊松回归结束。廖教授提醒我们这也正是另外一种错误使用OLS回归的情况。因为本书的全面性，以及它对解释概率模型的主题进行了统一，本书在掌握了单个等式的回归方法后值得一读。

廖福挺 ，1982年毕业于北京语言大学外语系英语专业。现任美国伊利诺伊大学香槟分校社会学和统计学教授、社会学系主任，东亚太平洋地区研究中心主任。

第1章 介绍 第1节 为什么要用概率模型？ 第2节 为什么需要解释？ 第2章 广义线性模型和对其系数的解释 第1节 广义线性模型 第2节 解释参数估计 第3章 二分的logit和probit模型 第1节 logit模型 第2节 解释logit模型 第3节 probit模型 第4节 解释probit模型 第5节 logit还是probit模型呢？ 第4章 序列logit和probit模型 第1节 模型 第2节 解释序列logit和probit模型 第5章 有序logit和probit模型 第1节 模型 第2节 解释有序logit和probit模型 第6章 多类别logit模型 第1节 模型 第2节 解释多类别logit模型 第7章 条件logit模型 第1节 模型 第2节 解释条件logit模型第8章 泊松回归模型 第1节 模型 第2节 解释泊松回归 第9章 总结 第1节 概括 第2节 概率模型的正文 第3节 解释概率模型的进一步评论
注释参考文献译名对照表