Logit模型，又称为逻辑回归或分类评定模型，是离散选择法中的一种重要模型，广泛应用于社会学、生物统计学、临床医学、数量心理学和市场营销等领域，作为多重变量分析的标准工具。
其核心是逻辑分布公式：在给定特征X=x的情况下，选择Y=1的概率表达为 P(Y=1│X=x) = exp(x'β) / (1 + exp(x'β))，其中参数β通常通过极大似然估计方法确定。Logit模型的起源可以追溯到Luce（1959）的工作，他基于IIA特性首次提出，随后Marschak（1960）和Marley（1965）分别从理论和分布角度进一步证实了其有效性。McFadden（1974）则进一步证明了效用非确定项与Logit模型的紧密联系，推动了模型的深入研究。
Logit模型因其概率表达式的直观性和求解效率高，使得它在心理学、社会学、经济学以及交通分析等领域表现出强大的实用性。例如，当出行时间等变量发生变化时，只需简单调整模型参数，即可快速计算出各选择枝的新概率。同时，由于IIA特性，模型的结构相对稳定，便于在不改变选择集的情况下进行预测调整，如添加或删除选择枝。
正是由于这些优点，Logit模型在实际应用中大放异彩，与其他离散选择模型（如Probit模型、NL模型和Mixed Logit模型）共同构成了一个完整的模型体系，成为了解决离散选择问题的重要工具。
Logit模型（Logit model，也译作“评定模型”，“分类评定模型”，又作Logistic regression，“逻辑回归”）是离散选择法模型之一，Logit模型是最早的离散选择模型，也是目前应用最广的模型。是社会学、生物统计学、临床、数量心理学、计量经济学、市场营销等统计实证分析的常用方法。