数据的类型决定了我们模型的选择。对于截面数据，时间序列及面板数据，各自都有自己的建模思路。数据也可以分为离散数据和连续变量数据。对于离散数据，即为我们理解的虚拟变量，二元变量，哑变量。

　　这种数据在我们现实中比比皆是，比如是否考研，去那个城市工作，买房还是不买...虽然离散数据看起来不高级，但是我们做决策的时候实际上往往就是离散的形式。

　　如果离散虚拟变量作为解释变量即为虚拟变量回归，这点本科计量都作为基本知识点。

　　当离散虚拟变量为被解释变量，问题就比虚拟变量回归复杂多了。为什么呢？因为它破坏了回归方程的经典假定。不能用ols进行直接回归。

　　比如是否考研，虽然y的数值是0或1，但是实际上这个考研的决策是个类似于概率的潜变量。假定概率0. 5是个临界值，当影响你考研决策的因素大于不考研因素的时候，即概率大于0.5时，你才选择考研，否则不考研。

　　如果直接在0与1积聚的地方画出一条直线，则误差非常大，而且参与估计的统计推断无法进行。

　　较理想的做法是在0与1之间找到光滑的链接函数，经过科学家尝试，他们提出了正态分布函数和逻辑分布函数满足这些要求，即为probit 模型和logit模型。在应用上，logit模型系数比较好估计而且有很好的经济含义，比probit更常用。