线性概率模型（Linear Probability Model，LPM）中的“线性”一词，是指模型中假设自变量对因变量的作用是线性的，“概率”则是指将模型的因变量理解为概率。当因变量只能取值0和1，并作为事件发生和不发生两种情况来理解时，回归模型就是分析当自变量变化时，概率p是如何变化的。这时，解释不同自变量所产生的因变量估计就有很大问题。

首先，概率当然要限制于0至1的区间之中，然而线性回归方程却不能做到这一点。要满足这一条件，线性概率模型就必须生硬规定，凡大于1的y估计值都作为1来理解，而小于0的估计值都要作为0来理解。

其次，线性概率的假设往往与实际情况不相吻合。事物变化经常在初期阶段发展缓慢，然后逐渐加速，至发展速度到达极限后，又会逐渐减速。而在线性概率模型中，自变量的边际作用b却是一个常数。

再次，如果y与x之间的真实关系，或更准确地说y的期望与x之间的关系是非线性的，而由于我们对这一真实关系的无知而采用了线性概率模型作为近似，则结果将是对于x在不同取值范围中的作用做出过于简单化的错误估计。

总之，在为只限于0和1之间的概率选用模型时，线性概率模型是不太合适的。