Stata:一文读懂Tobit模型

原文链接：https://www.lianxh.cn/news/f79b3174060ab.html

目录

• 1. Tobit 模型的介绍
  • 1.1 受限数据：截断和截堵
  • 1.2 Tobit 模型设定
  • 1.3 Tobit 模型的估计
  • 1.4 Tobit 模型的假设检验
  • 1.5 边际效应及其推导过程
• 2. Stata 范例
  • 2.1 模型估计的实现
  • 2.2 偏效应估计
• 3. 结论
• 参考文献

---

 

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。

原文链接：https://www.lianxh.cn/news/f79b3174060ab.html