Tobit模型

1. Tobit模型介绍

Tobit模型适用于归并数据,比如家庭娱乐消费这类数据的特点是如果y大于0,则我们可以观察到它;但是如果y小于等于0,那么我们只能观察到0,这种属于左归并。我的理解是,虽然一部分人的消费为0,但是他们不愿意参与消费的程度是不一样的,普通的模型无法反映这种特征。

当然也可能存在y大于等于c,我们只能观测到c的右归并情况。最后,还存在着左右双侧归并的情况。陈强老师的书中提供了证明,这类数据使用一般的OLS估计是不一致的。需要使用Tobin1958年提出的MLE估计方法,也称Tobit模型。


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:

当潜变量 y ∗ 小于等于 0 时,被解释变量 y等于 0; 当 y ∗大于 0 时,被解释变量 y等于 y ∗本身,同时假设扰动项 u i 服从均值为 0 ,方差为 σ 2 的正态分布。

3. Tobit模型的假设检验

4. Stata范例

Stata 提供 tobit 命令对归并回归模型进行估计。 在命令窗口中输入 help tobit 命令即可查看其完整帮助文件。tobit 命令的基本语法为:

tobit depvar [indepvars] [if] [in] [weight],11[(#)] ul[(#)] [options]

其中 ll[(#)] 表示左归并,# 是左侧受限点的具体值 ;ul[(#)] 表示右归并,# 是右侧受限点的具体值。在实际运用中,可以只选择左归并或者右归并,也可以同时选择。

  • 1
    点赞
  • 19
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值