Stata: Tobit 模型

 

作者：李琼琼 (山东大学)

Stata 连享会： 知乎 | 简书 | 码云 | CSDN | StataChina公众号

Stata连享会   计量专题 || 精品课程 || 简书推文 || 公众号合集

 

连享会计量方法专题……，https://gitee.com/arlionn/Course

 

1. Tobit 模型的介绍

1.1 受限数据：截断和截堵

在做回归时，连续型的被解释变量有的时候因为截断 (Truncated) 或者截堵 (Censored) 而只能选取一定范围的值， 会导致估计量不一致。Davidson 等 (2004) 定义如果一些观测值被系统地从样本中剔除，称为 截断； 而没有观测值被剔除，但是有部分观测值被限制在某个点上则被称为 截堵。

举个例子，在研究影响家庭负债额的决定因素时，有较多的被解释变量 (负债额) 为 0，有些家庭是因为没有欠债也没有借钱给其他家庭回答负债为 0，也有家庭只借钱给其他家庭 (借钱给其他人负债额为负值)，但是后者没有在数据上反映出来。 当研究人员只选择负债大于 0 的样本，此时负债额是 截断变量； 若研究人员保留了负债大于等于 0 的样本，此时的负债额为 截堵变量。 我们将上述情形统称为 受限因变量 (limited dependent variable)，对应地就衍生出 「截断回归模型」 (truncated regression models) 和 「截堵回归模型」(censored regression models)。文献中，后者的别名还包括：「归并回归模型」和「审查回归模型」。

上述关于负债的例子属于 左侧受限，也可以将其推广到 右侧受限 (比如样本的负债额不能超过 100 万元) 或 双侧受限 (限定负债额在 0 到 100 万元之间) 的情形。

1.2 Tobit 模型设定

对于截堵数据，当左侧受限点为 0 ，无右侧受限点时，此模型就是所谓的「规范审查回归模型」，又称为 Tobit 模型 (Tobin，1958)。模型设定如下：
$$\begin{array}{rl}{y}_i^{\ast }& ={\mathbf{x}}_i^{\prime }\mathbf{\beta }+u_i\\ u_i& \sim N\left(0,{\sigma }^2\right)\end{array}$$

$$y_i=\{\begin{array}{cl}{y}_i^{\ast }& \text{ if }{y}_i^{\ast }>0\\ 0& \text{ if }{y}_i^{\ast }⩽0\end{array}$$

当潜变量 $y^{\ast }$ 小于等于 0 时，被解释变量 $y$ 等于 0； 当 $y^{\ast }$ 大于 0 时，被解释变量 $y$ 等于 $y^{\ast }$ 本身，同时假设扰动项 $u_i$ 服从均值为 0 ，方差为 ${\sigma }^2$ 正态分布。

1.3 Tobit 模型的估计

由于使用 OLS 对整个样本进行线性回归，其非线性扰动项将被纳入扰动项中，导致估计不一致，Tobit 提出用 MLE 对模型进行估计。

我们先对该混合分布的概率密度函数进行推导, 再写出其对数似然函数。

当 $y_i=0$ 时，
$$\begin{array}{rl}\mathrm{P}(y_i=0|{\mathbf{x}}_{\mathbf{i}})& =\mathrm{P}\left(y_i^{\ast }<0|{\mathbf{x}}_{\mathbf{i}}\right)=\mathrm{P}(u_i<-{{\mathbf{x}}_{\mathbf{i}}}^{\prime }\mathbf{\beta }|{\mathbf{x}}_{\mathbf{i}})\\ & =\mathrm{P}(u_i/\sigma <-{{\mathbf{x}}_{\mathbf{i}}}^{\prime }\mathbf{\beta }/\sigma |{\mathbf{x}}_{\mathbf{i}})=\Phi (-{\mathbf{x}}^{}\end{array}$$