Tobit模型也稱為樣本選擇模型、受限因變量模型，是因變量滿足某種約束條件下取值的模型。 這種模型的特點在于模型包含兩個部分，一是表示約束條件的選擇方程模型；一種是滿足約束條件下的某連續變量方程模型。研究感興趣的往往是受限制的連續變量方程模型，但是由于因變量受到某種約束條件的制約，忽略某些不可度量(即：不是觀測值，而是通過模型計算得到的變量)的因素將導致受限因變量模型產生樣本選擇性偏差。兩部模型(two-part model)與Tobit模型有很大的相似之處，也是研究受限因變量問題的模型；但是這兩種模型在模型結構形式、估計方法、假設條件等方面也存在一定的區別。
[編輯]
Tobit模型的形式
Tobit模型的形式如下：
yi = α + βxi + υi (1)
其中υi為隨機誤差項，xi為定量解釋變量。yi為二元選擇變量。此模型由James Tobin 1958年提出，因此得名。如利息稅、機動車的費改稅問題等。設
若是第一種選擇等于1，第二種選擇是0。對yi取期望，
E(yi) = α + βxi (2)
下面研究yi的分布。因為yi只能取兩個值，0和1，所以yi服從兩點分布。把yi的分布記為，
則:
E(yi) = 1(pi) + 0(1 − pi) = pi (3)
由（2）和（3）式有:
pi = α + βxi （yi的樣本值是0或1，而預測值是概率。） (4)
以pi = − 0.2 + 0.05xi 為例，說明xi 每增加一個單位，則采用第一種選擇的概率增加0.05。假設用這個模型進行預測，當預測值落在 [0，1] 區間之內（即xi取值在[4, 24] 之內）時，則沒有什么問題；但當預測值落在[0，1] 區間之外時，則會暴露出該模型的嚴重缺點。因為概率的取值范圍是 [0，1]，所以此時必須強令預測值（概率值）相應等于0或1（見下圖）。線性概率模型常寫成如下形式，
(5)
然而這樣做是有問題的。假設預測某個事件發生的概率等于1，但是實際中該事件可能根本不會發生。反之，預測某個事件發生的概率等于0，但是實際中該事件卻可能發生了。雖然估計過程是無偏的，但是由估計過程得出的預測結果卻是有偏的。
由于線性概率模型的上述缺點，希望能找到一種變換方法，（1）使解釋變量xi所對應的所有預測值（概率值）都落在（0，1）之間。（2）同時對于所有的xi，當xi增加時，希望yi也單調增加或單調減少。顯然累積概率分布函數F(zi) 能滿足這樣的要求。采用累積正態概率分布函數的模型稱作Probit模型。用正態分布的累積概率作為Probit模型的預測概率。另外logistic函數也能滿足這樣的要求。采用logistic函數的模型稱作logit模型。
-
留言與評論（共有 0 條評論）
