亲爱的MBA智库百科用户:


过去的17年,百科频道一直以免费公益的形式为大家提供知识服务,这是我们团队的荣幸和骄傲。 然而,在目前越来越严峻的经营挑战下,单纯依靠不断增加广告位来维持网站运营支出,必然会越来越影响您的使用体验,这也与我们的初衷背道而驰。 因此,经过审慎地考虑,我们决定推出VIP会员收费制度,以便为您提供更好的服务和更优质的内容。


MBA智库百科VIP会员,您的权益将包括: 1、无广告阅读; 2、免验证复制。


当然,更重要的是长期以来您对百科频道的支持。诚邀您加入MBA智库百科VIP会员,共渡难关,共同见证彼此的成长和进步!



MBA智库百科项目组
2023年8月10日
百科VIP
未登录
无广告阅读
免验证复制
支付方式:
微信支付
支付宝
PayPal
购买数量:
1
应付金额:
10
汇率换算:
10
美元(USD)

按当月汇率换算,

包含手续费

打开手机微信 扫一扫继续付款
立即开通
PayPal支付后,可能会遇到VIP权益未及时开通的情况,请您耐心等待,或者联系百科微信客服:mbalib888。
温馨提示:当无法进去支付页面时,可刷新后重试或更换浏览器
开通百科会员即视为同意《MBA智库·百科会员服务规则》

支付成功

全球专业中文经管百科,由121,994位网友共同编写而成,共计436,064个条目

Tobit模型

用手机看条目

出自 MBA智库百科(https://wiki.mbalib.com/)

(重定向自样本选择模型)

目录

[隐藏]

什么是Tobit模型

  Tobit模型也称为样本选择模型、受限因变量模型,是因变量满足某种约束条件下取值的模型。

  这种模型的特点在于模型包含两个部分,一是表示约束条件的选择方程模型;一种是满足约束条件下的某连续变量方程模型。研究感兴趣的往往是受限制的连续变量方程模型,但是由于因变量受到某种约束条件的制约,忽略某些不可度量(即:不是观测值,而是通过模型计算得到的变量)的因素将导致受限因变量模型产生样本选择性偏差。两部模型(two-part model)与Tobit模型有很大的相似之处,也是研究受限因变量问题的模型;但是这两种模型在模型结构形式、估计方法、假设条件等方面也存在一定的区别。

Tobit模型的形式

  Tobit模型的形式如下:

   yi = α + βxi + υi (1)

   其中υi为随机误差项,xi为定量解释变量。yi为二元选择变量。此模型由James Tobin 1958年提出,因此得名。如利息税、机动车的费改税问题等。设

  y_i=\begin{cases}1\\0\end{cases}

  若是第一种选择等于1,第二种选择是0。

Image:Tobit分布.png

  对yi取期望,

  E(yi) = α + βxi (2)

  下面研究yi的分布。因为yi只能取两个值,0和1,所以yi服从两点分布。把yi的分布记为,

  \begin{cases}P(y_i=1)=p_i\\P(y_i=0)=1-p_i\end{cases}

  则:

  E(yi) = 1(pi) + 0(1 − pi) = pi (3)

  由(2)和(3)式有:

   pi = α + βxiyi的样本值是0或1,而预测值是概率。) (4)

   以pi = − 0.2 + 0.05xi 为例,说明xi 每增加一个单位,则采用第一种选择的概率增加0.05。假设用这个模型进行预测,当预测值落在 [0,1] 区间之内(即xi取值在[4, 24] 之内)时,则没有什么问题;但当预测值落在[0,1] 区间之外时,则会暴露出该模型的严重缺点。因为概率的取值范围是 [0,1],所以此时必须强令预测值(概率值)相应等于0或1(见下图)。线性概率模型常写成如下形式,

Image:Tobit图1.png

  p_i=\begin{cases}1, & \alpha + \beta x_i\ge1\\\alpha + \beta x_i, & 0<\alpha + \beta x_i<1\\ 0, & \alpha + \beta x_i \le0 \end{cases} (5)

  然而这样做是有问题的。假设预测某个事件发生的概率等于1,但是实际中该事件可能根本不会发生。反之,预测某个事件发生的概率等于0,但是实际中该事件却可能发生了。虽然估计过程是无偏的,但是由估计过程得出的预测结果却是有偏的。

  由于线性概率模型的上述缺点,希望能找到一种变换方法,(1)使解释变量xi所对应的所有预测值(概率值)都落在(0,1)之间。(2)同时对于所有的xi,当xi增加时,希望yi也单调增加或单调减少。显然累积概率分布函数F(zi) 能满足这样的要求。采用累积正态概率分布函数的模型称作Probit模型。用正态分布累积概率作为Probit模型的预测概率。另外logistic函数也能满足这样的要求。采用logistic函数的模型称作logit模型

累积正态概率分布曲线
放大
累积正态概率分布曲线
logistic曲线
放大
logistic曲线
本条目对我有帮助98
MBA智库APP

扫一扫,下载MBA智库APP

分享到:
  如果您认为本条目还有待完善,需要补充新内容或修改错误内容,请编辑条目投诉举报

本条目由以下用户参与贡献

Mis铭.

评论(共3条)

提示:评论内容为网友针对条目"Tobit模型"展开的讨论,与本站观点立场无关。
82.14.199.* 在 2017年7月6日 19:08 发表

这个解释是probit的模型。并不是Tobit

回复评论
1.85.35.* 在 2017年12月3日 19:02 发表

这个解释是probit的模型。并不是Tobit

回复评论
M id b0b3cc332762c4b111cdcb43ae43c5ca (Talk | 贡献) 在 2019年10月29日 09:50 发表

82.14.199.* 在 2017年7月6日 19:08 发表

这个解释是probit的模型。并不是Tobit

请问有没有Tobit 模型的解释

回复评论

发表评论请文明上网,理性发言并遵守有关规定。

打开APP

以上内容根据网友推荐自动排序生成

官方社群
下载APP
告MBA智库百科用户的一封信
亲爱的MBA智库百科用户: 过去的17年,百科频道一直以免费公益的形式为大家提供知识服务,这是我们团队的荣幸和骄傲。 然而,在目前越来越严峻的经营挑战下,单纯依靠不断增加广告位来维持网站运营支出,必然会越来越影响您的使用体验,这也与我们的初衷背道而驰。 因此,经过审慎地考虑,我们决定推出VIP会员收费制度,以便为您提供更好的服务和更优质的内容。 MBA智库百科VIP会员(9.9元 / 年,点击开通),您的权益将包括: 1、无广告阅读; 2、免验证复制。 当然,更重要的是长期以来您对百科频道的支持。诚邀您加入MBA智库百科VIP会员,共渡难关,共同见证彼此的成长和进步!
MBA智库百科项目组
2023年8月10日

闽公网安备 35020302032707号

添加收藏

    新建收藏夹

    编辑收藏夹

    20