برای تنظیم مدل لاجیت فرض کنید:

حال داریم:
معادله فوق به عنوان تابع توزیع تجمعی لاجستیک^[۶۲] معروف است. همانطور که مشاهده می شود   بین ∞- و ∞+ تغییر می کند ولی   بین صفر و یک باقی می ماند. اما این مدل با بهره گرفتن از OLS قابل برآورد نیست. در صورتی   ها احتمال موفقیت باشند در آن صورت   ها احتمال شکست می باشند. در این صورت نسبت احتمال پیروزی بر شکست برابر خواهد بود:
با لگاریتم گرفتن از طرفین معادله خواهیم داشت:
که در آن   بر حسب   و بر حسب پارامترهای خطی است.
۳-۱۱-۳) مدل پروبیت:
به جای استفاده از تابع توزیع تجمعی لاجستیک می توان ازتابع توزیع نرمال تجمعی^[۶۳] نیز استفاده نمود. این کار با مدل پروببیت صورت می گیرد. مدل مذکور به صورت زیر ارائه می شود:
این تابع، تابع توزیع تجمعی برای متغیرهای تصادفی است که به صورت نرمال توزیع شده اند. کاربرد این مدل بسیار مشابه مدل لاجیت است.

1. 1. انتخاب از بین مدل های لاجیت و پروبیت:

در بسیاری از کاربردها مدل های لاجیت و پروبیت نتایج بسیار مشابهی ارائه خواهند داد و نمودارهای رگرسیون برازش شده آن ها از یکدیگر قابل تشخیص نمی باشند. زیرا تابع چگالی آن ها بسیار مشابه یکدیگر است . استاک و واتسون^[۶۴](۲۰۰۶) استفاده از مدل لاجیت را پیشنهائ می کنند زیرا در محاسبات آن ها بر خلاف مدل پروبیت نیازی به انتگرال گیری نمی باشد و پارامترهای مدل را می توان سریعتر برآورد کرد.

1. 1. معیار نیکویی برازش برای مدل های لاجیت و پروبیت

معیارهای نیکویی برازش در رگرسیون معمولی(OLS)،   یا   تعدیل شده است. اما در بررسی نیکویی برازش مدل های لاجیت و پروبیت نمی توان از معیارهای ذکر شده استفاده نمود زیرا مقایر برازش شده حاصل از مدل های لاجیت و پروبیت هر عددی ممکن است باشد در حالیکه مقادیر واقعی متغیر وابسته، صفر یا یک است. بنابراین استفاده از   یا   تعدیل شده بی معناست. در ادامه به ارائه دو معیار خواهیم پرداخت.
۳-۱۱-۴) درصد پیش بینی صحیح:
کندی^[۶۵](۲۰۰۳) پیشنهاد می کند که معیار نیکویی برازش می تواند به عنوان حاصل جمع درصد پیش بینی صحیح
و درصد پیش بینی صحیح   در نظر گرفته شود. یعنی به صورت جبری داریم:
که در آن ، اگر   باشد،   و در غیر این صورت   است. هر چه عبارت فوق بیشتر باشد، برازش بهتری صورت گرفته است.
۵-۱۱-۳) 
به صورت زیر تعریف می شود: