请以X1为因变量建立线性概率模型和Logit模型，考察其余影响变量的显著性和模型的拟合效果，并比较两个模型的优劣。R语言代码

首先需要导入数据，假设数据保存在data.csv文件中，可以使用以下代码读取数据：

data <- read.csv("data.csv")

接下来，我们可以使用lm函数建立线性概率模型：

linear_model <- lm(X1 ~ X2 + X3 + X4 + X5, data = data)
summary(linear_model)

Logit模型可以使用glm函数建立：

logit_model <- glm(X1 ~ X2 + X3 + X4 + X5, data = data, family = binomial(link = "logit"))
summary(logit_model)

其中，family参数指定了模型的误差分布，link参数指定了链接函数，这里选择了logit函数。

在模型拟合效果方面，我们可以比较两个模型的残差平方和和对数似然值。残差平方和越小，模型拟合效果越好；对数似然值越大，模型拟合效果越好。

对于线性概率模型，可以使用以下代码计算残差平方和：

sum(linear_model$residuals^2)

对于Logit模型，可以使用以下代码计算对数似然值：

logLik(logit_model)

在显著性检验方面，可以根据输出结果中的p值来判断变量的显著性。一般来说，p值小于0.05表示变量显著。

需要注意的是，在Logit模型中，由于使用了对数链接函数，因此系数的解释需要转换为对数比率。可以使用以下代码将系数转换为对数比率：

exp(coef(logit_model))

最后，需要比较两个模型的优劣。线性概率模型最大的优点是模型简单，易于解释；Logit模型的优点则是可以处理二分类问题，并且具有较好的拟合效果。在选择模型时需要根据具体情况进行权衡。