数据范儿_范老师-AI时代科研统计新范式-计量科研AI导航

一、开篇：Y 只取 0 或 1——你还能直接用 OLS 吗？

你研究"个人是否创业"——Y = 1 表示创业，Y = 0 表示没有。你想用年龄、教育、性别和家庭财富来预测一个人的创业概率。

你的第一反应是——跑一个线性概率模型（LPM）：

\text{Entrepreneur}_i = \beta_0 + \beta_1 \cdot \text{Age}_i + \beta_2 \cdot \text{Education}_i + \beta_3 \cdot \text{Wealth}_i + \varepsilon_i

你用 OLS 跑了这个回归。Stata 给出了漂亮的输出——系数显著，方向合理。然后你检查了拟合值：

reg entrepreneur age education wealth
predict yhat
sum yhat

你发现——有些拟合值是 −0.12，有些是 1.35。 一个人的"预测创业概率"是 −12% 或 135%——这在数学上是非法输出。

你意识到——对于 0/1 因变量，线性回归在逻辑上有一个根本性的不适配。你需要一个不同的模型——它的输出天生就落在 0 和 1 之间。

这就是 Logistic 回归的逻辑起点。

**核心信息：从 OLS 到 Logistic 的过渡不是"换一个命令"——而是对概率建模的一次根本性重构。OLS 对 0/1 变量做线性回归有三个结构性问题：预测值可能超出 [0,1]、误差项天然异方差、以及假定概率随 X 以恒定速率变化在逻辑上不成立（接近边界时概率的变化必然减速）。Logistic 模型通过一个非线性变换——将概率 p 映射为 $\ln(p/(1-p))$ ，即对数几率（log-odds）——优雅地解决了这三个问题。这个变换使因变量从有界的 [0,1] 变为无界的 $(-\infty, +\infty)$ ，让线性建模成为可能。但代价是——系数的解释变了：Logistic 的系数不是 X 对概率的边际效应，而是 X 对对数几率的效应。因此，在 Logistic 中可以深入挖掘的核心经济量有四个层次：（1）几率比（Odds Ratio）—— $\exp(\hat{\beta})$ 告诉你在其他条件不变时，X 每增加一个单位，Y 发生的"几率"乘了多少倍；（2）平均边际效应（AME）——X 对概率的边际效应在所有个体上的平均值，它是 Logit 中最接近 OLS 系数的量，也是经济含义最直接的量；（3）预测概率——给定 X 的具体取值，Y = 1 的概率是多少，这是对个体决策最具实操意义的量；（4）几率比 vs 相对风险——在事件发生率较低时，几率比≈相对风险，但在事件常见时两者有实质性差异，研究者需要判断报告哪一个对经济直觉更合适。"

二、线性概率模型（LPM）的三个困境——为什么 OLS 对 0/1 变量不够用？

2.1 困境一：预测概率超出 [0, 1]

这是最直观的问题。LPM 的预测值是 $\hat{p} = X\hat{\beta}$ ，由于 Xβ 可以在 $(-\infty, +\infty)$ 上任取——而概率被定义在 [0,1] 上——LPM 必然在某些 X 的取值上产生非法预测。

当 X 取极端值时——如一个非常富有、年纪较大的人——LPM 可能给出高于 1 的"创业概率"，这在概念上是荒谬的。

2.2 困境二：天然异方差——LPM 的误差方差是 p 的函数

对于伯努利变量 $Y \sim \text{Bernoulli}(p)$ ， $\text{Var}(Y) = p(1-p)$ 。这个方差是 p 的函数——当 p = 0.5 时最大（0.25），当 p 接近 0 或 1 时趋近于 0。

在 LPM 中，不同的观测有不同的 $p_i = X_i\beta$ ——自然也就有不同的误差方差。异方差不是数据的"缺陷"——它是 0/1 因变量构造性的结果，必然存在。 你可以用稳健标准误来修正推断——但异方差的存在本身就是对 OLS 的球形误差假设的结构性违背。

2.3 困境三：恒定的边际效应在逻辑上不成立

LPM 假设 X 每增加一个单位，Y 的概率变化恒定的 $\hat{\beta}$ 单位——无论当前的基准概率是多少。

但想一想——如果你的创业概率已经是 95%（你有很强的资源和创业经验），财富再增加一万元，能推动这个概率上升多少？它不可能上升 5 个百分点——因为概率的天花板是 100%。同理，如果你的创业概率是 2%（你很年轻、没有资源），财富减少一万元，概率也几乎无法下降——因为地板是 0%。

概率的变化在接近边界时必然减速——这是概率本身的逻辑决定的，不是数据特征决定的。 LPM 假设恒定的边际效应——这在概率的天花板和地板附近是不可能成立的。

三、从线性回归到 Logistic——一步一步推过去

3.1 第一步：目标——我们需要一个"概率的模型"

我们要建模的是 $\Pr(Y = 1 \mid X) = p(X)$ ——即给定 X，Y = 1 的概率。这个 p(X) 必须是一个取值在 (0, 1) 之间的函数。

任何取值在 (0, 1) 之间的函数都可以成为候选——而 Logistic 函数只是其中一个特别自然的选择。

3.2 第二步：一个巧妙的变换——将 p 拉伸到整个实数轴

核心问题：p ∈ (0, 1) 是有界的，而 Xβ 是无界的。我们需要一个桥梁——将 (0, 1) 映射到 $(-\infty, +\infty)$ 。

这个桥梁就是几率（Odds）和对数几率（Log-Odds / Logit）：

\text{Odds} = \frac{p}{1-p}

当 p = 0.5 → Odds = 1（"1 比 1"——发生和不发生的可能性相等）。
当 p → 0 → Odds → 0。
当 p → 1 → Odds → +∞。

Odds 的取值是 $(0, +\infty)$ ——已经变成了半无界。再取一个自然对数：

\text{Logit}(p) = \ln\left(\frac{p}{1-p}\right)

当 p = 0.5 → Logit = 0（中心对称）。
当 p → 0 → Logit → −∞。
当 p → 1 → Logit → +∞。

Logit 函数将 (0, 1) 完美地映射到了 $(-\infty, +\infty)$ 。 这就是我们需要的形式——现在我们可以放心地把 Xβ 设成这个无界的量。

3.3 第三步：设 Logit = Xβ——这就是 Logistic 回归模型

\ln\left(\frac{p}{1-p}\right) = \beta_0 + \beta_1 X_1 + \dots + \beta_K X_K

这是 Logistic 回归的核心方程。左侧是 Logit(p)——一个无界的量。右侧是 Xβ——也是无界的。现在线性模型不再施加任何不合逻辑的约束。

3.4 第四步：反解出 p——得到 Logistic 函数

从 Logit 方程反解 p：

p = \frac{\exp(\beta_0 + \beta_1 X_1 + \dots + \beta_K X_K)}{1 + \exp(\beta_0 + \beta_1 X_1 + \dots + \beta_K X_K)} = \frac{1}{1 + \exp(-X\beta)}

这就是 Logistic 函数——一条 S 形曲线：

当 Xβ → −∞ → p → 0（"近零响应"）。
当 Xβ → +∞ → p → 1（"近确定响应"）。
在 p = 0.5（Xβ = 0）附近，曲线最陡——X 对概率的边际效应最大。
在两侧，曲线越来越平——X 对概率的边际效应趋近于零。

这条 S 形曲线从数据的自然逻辑中涌现出来——它不是被"选择"的（虽然同类的 probit 模型使用正态分布而非 logistic 分布，产生类似的 S 形曲线，但在实践中 logit 和 probit 给出的边际效应几乎总是相同——区别在于尾部行为和对潜在变量的分布假设。Logistic 分布比正态分布有更厚的尾部，但在绝大多数实证应用中，logit 和 probit 的选择对结论几乎没有影响。Logit 更常用的原因主要是几率比（odds ratio）的经济解释比 probit 的系数更具直觉）。

3.5 另一种引入方式——潜变量视角

Logistic 回归还可以通过一个潜在变量框架来理解。假设存在一个不可观测的连续潜变量 $Y_i^*$ ——"创业倾向"：

Y_i^* = \beta_0 + \beta_1 X_i + \varepsilon_i, \quad \varepsilon \sim \text{Logistic}(0, \pi^2/3)

你观测到的只是 $Y_i = 1$ 当 $Y_i^* > 0$ ，否则 $Y_i = 0$ 。即当创业倾向超过一个阈值（标准化为 0），个体选择创业。

在这个框架下：

\Pr(Y_i = 1 \mid X_i) = \Pr(Y_i^* > 0 \mid X_i) = \Pr(\varepsilon_i > -X_i\beta) = \frac{1}{1 + \exp(-X_i\beta)}

潜变量视角的经济学意义：Logistic 模型可以被理解为——个体有一个连续的、不可观测的"倾向"（ $Y^*$ ），这个倾向被 X 线性地决定。当倾向超过某个阈值时，个体做出"是"的选择（Y = 1）。这和经济学中的随机效用模型（Random Utility Model）完全对接—— $\varepsilon$ 是个体特有的、不可观测的偏好或能力成分，而 Xβ 是系统性的效用差异。

四、Logistic 回归中可以深入挖掘的经济含义——四个层次

现在进入了这篇文章最重要的部分。在跑完 Logistic 回归后，Stata 给出一张系数表——但这些系数的直接解读在经济学上是不直觉的，也不是你应该向读者展示的核心内容。以下是四个由浅入深的经济解读层次：

4.1 层次一：几率比（Odds Ratio）——"乘了多少倍"

定义：

\text{Odds Ratio (OR)} = \exp(\hat{\beta}_1)

解读：在其他条件不变的情况下，X 每增加 1 个单位，Y 发生的**几率（odds）**乘以 $\exp(\hat{\beta}_1)$ 。

例子：你研究"家庭财富对创业概率的影响"。Logit 回归给出 $\hat{\beta}_{\text{wealth}} = 0.38$ 。

\text{OR} = \exp(0.38) = 1.46

解读：家庭财富每增加 1 个单位（如 10 万元），创业的几率变为原来的 1.46 倍——或者说几率提高了 46%。

为什么几率比有经济直觉？ 在日常生活中，人们理解"可能性翻了一倍""可能性提高了 50%"——几率比直接对应了这种语言。它是 Logistic 回归中最有经济直觉的系数转换。

但注意：几率比不是概率比（Risk Ratio）。几率和概率之间的关系是 $p = \frac{\text{odds}}{1 + \text{odds}}$ 。当基准概率 p 较小时（p < 0.1），几率比约等于风险比（RR ≈ OR）。但当基准概率较大（如 p = 0.5，即创业率 50%），几率比和风险比之间有实质性差异——OR = 1.46 不意味着概率是原来的 1.46 倍（那会是 73% 的概率，通常高估了真实概率的变化）。因此 OR 适宜作为定性表述，不宜作为定量预测。

logit entrepreneur wealth age education
* 报告几率比而不是系数
logit, or
* 输出中的 OR = exp(β)

4.2 层次二：平均边际效应（AME）——"概率变了多少个百分点"

这是 Logistic 回归中经济含义最直接的量。

定义：

\text{AME} = \frac{1}{N} \sum_{i=1}^{N} \frac{\partial \hat{p}_i}{\partial X}

即——对每一个个体 i，计算在 i 的特定 X 取值处，X 变化一个微小单位带来的概率变化（边际效应）——然后对所有个体的边际效应取平均。

为什么需要 AME？ 因为在 Logistic 模型中，边际效应随 X 变化——没有单一的"X 的效应"。AME 提供了"在所有个体中，X 对概率的平均影响"——这最接近 OLS 系数的经济解读，也最容易被经济学读者理解。

logit entrepreneur wealth age education
margins, dydx(*) post
* AME 输出：wealth 的 AME = 0.042
* 解读：财富每增加 1 单位，创业概率平均提高 4.2 个百分点

AME 和几率比是互补的：几率比回答"几率乘了多少倍"——这是一个相对效应。AME 回答"概率变了多少个百分点"——这是一个绝对效应。在经济政策分析中，AME 通常比几率比更有实操意义——"这项政策将创业率提高 4.2 个百分点"比"创业的几率变为原来的 1.46 倍"更直接、更可操作。

4.3 层次三：预测概率——"一个特定个体的创业概率是多少？"

AME 给出的是平均值——但有时你需要知道某类特定个体的预测概率。

* 预测一个"典型"个体的创业概率
margins, at(wealth=50 age=35 education=16)
* 输出：Pr(entrepreneur) = 0.23
* 解读：对于一个财富 50 万、35 岁、受教育 16 年的个体——创业预测概率为 23%

预测概率的经济含义：在信贷审批、保险定价、政策评估中，你需要具体的概率值——而非几率比或边际效应。预测概率直接给予了决策者一个"点估计"——"这个人的创业可能性是 23%"。这是 Logistic 模型在行业应用（信用评分、客户流失预测、医疗诊断）中最核心的输出。

4.4 层次四：特定值处的边际效应（MEM / MER）——"在某个关键点，X 的变化有多大？"

有时你关心的不是所有个体的平均边际效应（AME）——而是某个特定类型个体的边际效应。

MEM（Marginal Effect at the Mean）：在所有 X 取样本均值处的边际效应——即一个"典型个体"的边际效应。
MER（Marginal Effect at a Representative value）：在某个你关心的 X 取值处的边际效应——如政策门槛、临床阈值。

* MEM：在 X 的均值处
margins, dydx(*) atmeans
 
* MER：在财富 = 10 万元处（政策关注低收入个体）
margins, dydx(wealth) at(wealth=10)

MEM/MER 的应用场景：政策评估通常关注特定人群——如"最低收入群体的创业概率是否对财富变化特别敏感？"在低收入组，财富的边际效应可能远大于高收入组（因为高收入组的创业概率已经接近天花板，财富再增加对概率的推动很小）。AME 无法区分这种异质性——MEM 和 MER 可以。

4.5 四个层次的对应关系一览

量	数学定义	问题	经济直觉	Stata
几率比（OR）	$\exp(\hat{\beta})$	几率乘了多少倍？	"创业的几率提高了 46%"	`logit, or`
平均边际效应（AME）	$\frac{1}{N}\sum_i \frac{\partial \hat{p}_i}{\partial X}$	概率平均变了多少个百分点？	"创业率平均提高 4.2 pp"	`margins, dydx(*)`
预测概率	$\frac{1}{1+\exp(-X\hat{\beta})}$	这个个体的 Y=1 概率是多少？	"这个人的创业概率是 23%"	`margins, at(...)`
特定值边际效应（MEM/MER）	$\left.\frac{\partial \hat{p}}{\partial X}\right	_{X=X_0}$	在特定 X 处，概率变化多少？	"对低收入者，财富的边际效应是 6.1 pp"

五、Logistic 回归的常见陷阱和实操注意事项

5.1 不能跨模型比较系数

在 Logit 模型中， $\hat{\beta}$ 的大小不仅依赖于 X 和 Y 之间的真实关系——也依赖于未观测异质性的方差（ $\text{Var}(\varepsilon)$ 被标准化为 $\pi^2/3$ ）。如果你加入了新的变量（改善了模型的拟合）， $\hat{\beta}$ 的大小可能会变化——即使 X 对 Y 的真实效应完全没变。

直觉：Logit 的系数是在一个固定的"误差方差"下估计的。如果你加入了更多解释变量，模型的解释力增强，误差方差（在潜在变量尺度上）被压缩——系数自然变大。这种变化不反映 X 效应的真实变化——它只反映了模型解释力的变化。

因此：

❌ 不能比较同一模型在不同样本中的 Logit 系数。
❌ 不能比较不同模型中同一变量的 Logit 系数。
✅ 应该比较 AME——AME 是在概率尺度上的，不受这个标准化问题的影响。
✅ 如果必须在模型间比较，应使用 OLS（LPM）的系数——OLS 没有这个标准化问题。

5.2 "除以 4"法则——快速转化 Logit 系数为概率变化的上界

一个有用的经验法则：在 Logit 回归中，X 对概率的边际效应在 p = 0.5 时达到最大，且这个最大值近似为 $\hat{\beta}/4$ 。

\max \left( \frac{\partial p}{\partial X} \right) \approx \frac{\hat{\beta}}{4}

如果 $\hat{\beta} = 0.4$ → 在任何 X 的取值处，概率的最大变化最多约为 0.4 / 4 = 0.10（10 个百分点）。
这提供了一个快速评估 Logit 系数"量级"的方法—— $\hat{\beta} = 0.08$ → 概率最多变化 2 pp，效应在经济上可能不重要。

5.3 几率比 ≠ 风险比

当基准概率不低时，这个区分至关重要。

如果基准创业概率 p = 0.03 → OR = 1.46 → 新概率 ≈ 0.044（用 RR ≈ OR 近似是 0.03 × 1.46 = 0.044，这在 p 低时是相当准确的）。
如果基准创业概率 p = 0.50 → OR = 1.46 → 新概率 ≠ 0.73（OR 不能直接乘在概率上）。真实的新概率是 $\frac{0.5 \times 1.46}{1 + 0.5 \times (1.46 - 1)} = 0.594$ ，而不是 0.73。
在 p > 0.1 时，应该在论文中报告边际效应（AME）而非仅依赖 OR 来讲述故事。

5.4 完全分离与准完全分离

在某些数据中，X 可以完美预测 Y（如所有 X > 某个临界值的人都是创业者）——这时 Logit 的 $\hat{\beta}$ 会趋向 ±∞，Stata 会报错"完全分离"。

解决方案：

检查是否存在完美预测变量（如表格式的确定性分组）。
如果存在 → 使用惩罚似然（Firth Logit）或将其变量剔除。
或使用线性概率模型 LPM（LPM 不受此问题影响）。

5.5 Logit vs Probit——在实证中该选哪个？

两者的区别在于对 $\varepsilon$ 的分布假设：Logit 假设 Logistic 分布（厚尾），Probit 假设正态分布（薄尾）。在实际数据中：

两者的 AME 几乎完全相同——差异远小于抽样误差。
Logit 的优势：几率比（OR）有直接的经济解释。Probit 的系数没有类似的直观解释。
实证实践：使用 Logit 并将 AME 作为核心经济解释量——AMS 与 Probit 的 AME 在数值上几乎总是重合。

六、常见误区

6.1 误区一："Logit 系数 = X 对概率的效应"

这是最普遍的误解。Logit 系数 $\hat{\beta}$ 是 X 对对数几率的效应——不是对概率的效应。你需要计算 AME 来获得概率尺度的解读。如果一篇论文的实证部分仅报告 Logit 系数表而不提供 AME——审稿人几乎一定会要求补充。在经济学中，Logit 系数本身不被视为最终报告的量——AME 才是。

6.2 误区二："OR > 1 → X 增加 → Y 的概率一定增加"

OR > 1 确实意味着 X 增加 → 几率增加 → 概率的方向是一致的（正向）。但 OR 的大小不等于概率变化的大小——且 OR 对所有人的概率影响各不相同（异质性）。"OR > 1 → 概率增加"在方向上没错，但在量级上不能从 OR 直接读出概率的变化——你需要 AME。

6.3 误区三："Logit 模型不需要检查异方差——它已经处理了"

Logit 自动处理了 LPM 中的构造性异方差（因为 Logit 的似然函数直接建模了伯努利分布）。但这意味着你没有"异方差需要被检验和修正"—而不是 Logit 估计在所有误设下都稳健。如果潜在变量的误差方差本身随 X 变化（异方差在潜在变量层面），Logit 的估计仍然是不一致的。这是**异质选择模型（Heteroskedastic Choice Models）**处理的问题。

6.4 误区四："AME 在 Stata 的 `margins` 输出 → 我就报告它 → 完成了"

计算 AME 时需要注意两个关键选项：

post 选项：将边际效应存储为估计结果，以便后续操作。
vce(unconditional)：如果你使用的是 survey 数据或聚类数据，确保标准误是聚类到适当层级的。

logit y x1 x2, cluster(id)
margins, dydx(*) post
* AME 的正确标准误在 margins 之后自动传递

七、总结

Logistic 回归的核心知识：

OLS 对 0/1 变量的三个不适配：预测概率可能越界、天然异方差、恒定边际效应在概率逻辑上不成立。这些问题不是"数据有问题"——它们是线性模型和概率建模之间的结构性鸿沟。
Logit 变换的巧妙之处： $\ln(p/(1-p))$ 将 [0,1] 映射到 $(-\infty, +\infty)$ ——让线性模型在无界空间上安全地运行。反解后得到的 Logistic 函数天然产生 S 形曲线——在概率边界减速，在中心处最敏感。
四种经济解读——从粗到细：几率比（OR）适合定性表述"可能性乘了多少倍"。AME 是最核心的经济量——"概率平均变多少个百分点"。预测概率适合具体的个体决策情境。MEM/MER 适合针对特定人群的政策评估。
AME 是经济学中 Logit 的核心输出——而不是系数表。 审稿人和读者期待你展示的是 AME——不是 $\hat{\beta}$ ，不是 OR——而是 X 对概率的平均边际效应。

一句话收尾：

"Logistic 回归让你从'线性思维'切换到'几率思维'。线性模型说：'X 增加一个单位，Y 变化恒定的 β 单位。' Logistic 模型说：'X 增加一个单位，Y 发生的几率变为原来的 e^β 倍——而概率的变化量取决于你当前的概率有多高。'这个从'恒定增量'到'乘数变化'的转变——不是数学上的一个花招——是概率建模的逻辑必然。因为概率有边界，而边界意味着减速。一个从 5% 到 10% 的概率变化——和从 90% 到 95% 的变化——在几率尺度上是对称的，但在概率尺度上天然不同。Logit 在一开始就接受了这个不对称——并把你的经济直觉从概率变化导向了几率变化。然后 AME 又把你带回概率——让你在一个更诚实的尺度上讲你的经济故事。"

八、B站/公众号呈现建议

B站视频：建议用"从直线到 S 线"作为核心视觉过渡。开场：一条直线穿过散点图（0/1 变量）——直线超出了顶部 1 和底部 0（红色警告）。旁白："线性回归说——概率是 X 的线性函数。但概率只能在 0 和 1 之间——你预测一个概率为 135% 的人创业，这是没有意义的。" 直线变形为一条 S 形曲线——在 p=0.5 处最陡，在两端越来越平。标注："Logistic 函数——天然的 S 形。它在边界减速，在中心最敏感。这不是数学的装饰——这是概率本身的逻辑。" 第一幕"几率——拉伸到无穷"：p 轴（0→1）被拉伸成 odds 轴（0→+∞），再取对数（-∞→+∞）。三个数值的例子并行——p=0.1 → odds=0.111 → logit=-2.20。p=0.5 → odds=1 → logit=0。p=0.9 → odds=9 → logit=2.20。动画展示拉伸——"从有界到无界，线性模型安全了。" 第二幕"四种解读"：屏幕四象限。左上——Odds Ratio（exp(β)=1.46，"几率提高 46%"）。右上——AME（+4.2 pp，"创业率提高 4.2 个百分点"）。左下——预测概率（"这个人的创业概率是 23%"）。右下——MEM（"在低收入组，财富的边际效应是 6.1 pp"）。四个象限依次高亮，不同的经济故事在各自的象限中被激活。第三幕"除以 4 法则"：一个 Logit 系数 β=0.4 被放进"除以 4 机器"→ 输出 0.10（"概率最多变化 10 个百分点"）。旁白："这是你在报告 Logit 结果前自己做的快速检查——β/4 是边际效应的上界。如果它太小——你的 X 在概率尺度的效应几乎没有经济重要性。"
公众号：LPM 的三个困境做成三张警示卡。从 p → odds → logit 的映射过程做成三层拉伸图——这是整篇文章的核心视觉。四种经济解读的量（OR、AME、预测概率、MEM）做成四象限信息图——每个象限配定义、数学表达、经济直觉、Stata 命令。"除以 4"法则做成快速技巧卡。常见误区四则做成纠错卡。与 LPM 的对比表（预测范围、边际效应、异方差处理、系数解读）放在文末。
推荐标题：
- 主标题：《从 OLS 到 Logistic——当你的 Y 只取 0 或 1 时，模型发生了什么变化？》
- 备选标题：《Logistic 回归的系数、几率比、AME——哪一个才是你应该报告的量？》
- 新媒体标题：《你的 Y 是 0/1，但你还在用 OLS？——Logistic 模型的逻辑、转换与经济解读》
金句提炼：

"线性回归告诉你——X 变一个单位，Y 变恒定的 β 单位。Logistic 告诉你——X 变一个单位，Y 的几率变为原来的 e^β 倍。概率的变化取决于你的基准概率：从 5% 到 10% 容易，从 90% 到 95% 也容易——但从 50% 到 51% 和从 50% 到 55%，在 Logit 的世界里，前者比后者需要的 X 变化小得多。"

"AME 是 Logistic 对经济学家的翻译——它把对数几率的系数翻译回概率尺度的边际效应。你在论文中应该报告的是 AME——不是 β̂，不是 OR。前者讲的是'对数几率的差异'，后者讲的是'概率的百分点变化'。经济学听众要的是后者。"

"除以 4 法则——β̂/4 是边际效应的上界。一个 β̂ = 0.08 的 Logit 系数——在任何情况下，X 对概率的最大影响不可能超过 2 个百分点。在你兴奋地写结论之前，做这个检查——你的 X 在经济上是相关的吗？还是只是在统计上显著？"

"Logistic 让你从直线的世界走向 S 线的世界。在直线的世界里，每一步都一样大。在 S 线的世界里，同样的步子在靠近边界时越来越小——因为概率有墙，而墙让每一步的效应递减。这是概率自己的逻辑——不是数据特征，不是模型选择——是'可能性'这个概念本身告诉你的。"