在多元线性回归中，被解释变量是连续型变量。当被解释变量为二分类变量时，多元线性回归将不适用，需要采用logit模型或probit模型来估计解释变量对二分类变量的影响。例如，判断人是否能取得成功的影响因素，企业是否能够成功上市的影响因素等。
对于logit模型和probit模型的选择。首先，对于相同的数据，采用两个模型进行估计，变量的显著性一般情况下是一样的，所以采用两个模型的研究结论是一样的，只是变量系数的大小有所差异。
另外，logit模型的解释更方便，且计算量较低，所以一般情况下用logit模型就可以了。
1 logit和probit的模型形式
logit模型：
probit模型：
其中，被解释变量y是只能取0和1的二分类变量。
2 logit和probit模型应用
在多元线性回归的例子中，一些工业企业被“ST”了，那么，企业被“ST”的影响因素有哪些呢？
为了对上述问题进行研究，首先，需要增加一个变量ST，如果企业被ST了，就设1，否则，设为0。
2.1 估计logit模型
将数据导入EViews中，生成新的变量lnage=log(2020-year),lnlabor=log(labor)（参考多元线性回归的示例）。在EViews主窗口点击Quick/Estimate Equation。
在Estimate Equation窗口的Method中选择BINARY-Binary...。
在Equation specification 中输入st liquit turnover lnage lnlabor c，（解释变量仍取多元线性回归中的值）。在Binary estimation method中选择logit，点击确定。
在估计结果窗口中，可以看到，LIQUIT、TURNOVER、LNAGE、LNLABOR四个解释变量系数的P值均小于0.1，因而四个变量都显著，都对企业是否被ST有影响。
logit模型的系数，只能根据正负符号判断对被解释变量的影响方向，影响的程度无法直接得出。需要计算出odds ratio（发生比之比）来解释；OR大于1，说明发生概率上升；OR小于1，说明发生概率下降。
对于LIQUIT的系数-0.314068，其OR值为，即OR约等于0.73，表面LIQUIT增加一单位，可以使企业被ST的概率下降（1-0.73）。
2.2 logit模型中加入虚拟变量
添加虚拟变量D1和D2，当为大型企业时，D1=1，否则D1=0；当为中型企业时，D2=1，否则D2=0。通过这样设定，D1=1，D2=0表示大型企业；D1=0，D2=1表示中型企业；D1=0，D2=0则表示小型企业。
将D1和D2导入EViews中，在上一步的估计结果窗口中，点击Estimate，重新进入Estimate Equation窗口。
在Equation specification 中输入st d1 d2 liquit turnover lnage lnlabor c，在Binary estimation method中选择logit，点击确定。
估计结果窗口中，D1和D2变量系数的P值均大于0.1，不显著，表明大型企业、中型企业、小型企业，在其他条件相同的情况下被ST的概率不存在差别。
可以进一步研究虚拟变量与解释变量的交互项。
在EViews主界面选择Quick/Generate Series,在新窗口中输入d1liquit=d1*liquit，生成d1liquit变量，按照同样步骤生成d2liquit变量。
在Equation specification 中输入st liquit d1liquit d2liquit turnover lnage lnlabor c，在Binary estimation method中选择logit，点击确定。
在估计结果窗口中，D1LIQUIT变量系数的P值小于0.1，表明D1LIQUIT变量显著。其OR约等于0.54，因而提高流动比率，大型企业被ST的概率比小型企业多降低（1-0.54）。D1LIQUIT变量则不显著，说明因而提高流动比率，中型企业被ST的概率降低幅度与小型企业不存在差别。
2.3 估计probit模型
probit模型的估计和logitic模型基本一样。在Estimate Equation窗口的Equation specification 中输入st liquit turnover lnage lnlabor c，（解释变量仍取多元线性回归中的值）。在Binary estimation method中选择probit，点击确定。
在估计结果窗口中，可以看出，probit和logit模型估计系数的显著性一致，但是系数值确不一样。
probit模型无法计算OR（发生比之比），解释较为困难。对于LIQUIT变量，其系数为-0.106891，表示企业流动比率增加1单位，企业被ST的概率密度函数下降0.106891。
3 logit和probit模型变换
在某些情况下，可以把多元线性回归模型的被解释变量转换为二分类变量，从而可以用logit和probit模型进行估计。
例如，在多元线性回归例子中，被解释变量为ROE，观察数据发现很多企业的ROE为负数。那么可以对ROE变量进行转换，如果ROE值为负数，就设为1；如果ROE值为正数，则设为0。这样可以研究企业ROE为负（企业亏损）的影响因素。
3.1 logit模型估计
将企业ROE是否为负变量（ROE0）导入EViews中。
在Equation Estimation窗口中输入roe0 liquit turnover lnage lnlabor c，在Binary estimation method中选择logit，点击确定。
估计结果窗口中，LIQUIT、TURNOVER、LNAGE、LNLABOR四个解释变量系数的P值均小于0.1，因而四个变量都显著，都对企业ROE是否为负有影响。
3.2 probit模型估计
在Equation Estimation窗口中输入roe0 liquit turnover lnage lnlabor c，在Binary estimation method中选择probit，点击确定。
估计结果窗口中，LIQUIT、TURNOVER、LNAGE、LNLABOR四个解释变量系数的P值均小于0.1，因而四个变量都显著，都对企业ROE是否为负有影响。