如果从分布角度来讲，logit函数和probit的函数几乎重叠，但反映的含义不同，logit等于p/（1-p），这里p是结局发生的概率，而probit的函数是F-1（p），注意-1是上标。F是累积的标准正态分布函数，所以F-1就是累积标准正态分布函数的逆函数或反函数。

从解释的角度来讲，logit更容易理解一些，因为p/（1-p）就是我们常说的odds，两个odds相比就是odds ratio，也就是我们最常用的OR值。所以当我们做出结果后，logistic回归所反应的实际意义就非常直观。而相比之下，probit的含义表示自变量对累积标准正态分布函数的逆作用，这个就太让人看不懂了。当然，实际上我们也可以通过正态分布值求出probit回归中的p，作为概率预测，只是比logistic回归要稍微麻烦一些。

但这两个方法之间也是有关联的，通常情况下，probit回归估计出的参数值乘以1.814，大致会等于logistic回归中的参数值。

楼上回答详细，我再稍微补充以下：
按照潜变量建模范式，常用的logit、probit、compit等离散选择模型的差异，都是从对潜变量xb与概率之间投影函数的不同假定产生的。从理论上讲，哪个投影函数更符合实际，哪个模型更好。所以用不同模型的判断正确率进行后验的选择是可行的

我想问一下有序probit有比有序logit的优势吗？我看了文献，很多都对这块没怎么提及，要不就说的很模糊，求大神解答