求助:关于Tobit模型的具体使用?

Try SAS Lifereg!

Tobit Analysis Using SAS ======================== SAS offers the functionality of Tobit analysis in PROC LIFEREG. The SAS/STAT User's Guide (Volume 2) discusses Tobit in general terms on page 999, and gives an example of an entire DATA step and PROC LIFEREG performing Tobit on page 1024.

------------------------------------------------------

data subset; input Hours Yrs_Ed Yrs_Exp @@; if Hours eq 0 then Lower=.; else Lower=Hours; datalines; 0 8 9 0 8 12 0 9 10 0 10 15 0 11 4 0 11 6 1000 12 1 1960 12 29 0 13 3 2100 13 36 3686 14 11 1920 14 38 0 15 14 1728 16 3 1568 16 19 1316 17 7 0 17 15 ; proc lifereg data=subset outest=OUTEST(keep=_scale_); model (lower, hours) = yrs_ed yrs_exp / d=normal; output out=OUT xbeta=Xbeta; run;

[此贴子已经被作者于2005-12-14 8:02:55编辑过]

For Bivariate Tobit model, you can also try SAS/ETS PROC QLIM in SAS 9.

以下是引用人人在2005-12-13 17:05:18的发言：

那么还有一个什么2阶段TOBIT模型是什么意思！

我计算PROBIT模型时一步就计算出来了！

2阶段tobit是不是叫 hurdel 模型啊，我好像有这个印象

以下是引用rnmrnm001在2005-12-13 17:01:23的发言：

TOBIT 是线性概率模型,缺点就是如果p=1但事件可能根本就没发生.虽然估计本身无偏,但预测结果却是有偏的.

PROBIT是采用累积概率分布函数,用正态分布的累积概率作为PROBIT的预测概率.可以克服这个缺点

本质基本上一样

你这个说法有问题吧，tobit模型不是你说的那样的。 你仔细看看greene的书，那两章讲的比较详细的。

Tobit（线性概率）模型

Tobit模型的形式如下，

y_i = a + b x_i + u_i (1)

其中u_i为随机误差项，x_i为定量解释变量。y_i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

1 （若是第一种选择）

y_i =

0 （若是第二种选择）

E(y_i) = a + b x_i

E(y_i) = 1 (p_i) + 0 (1 - p_i) = p_i

p_i = a + b x_i

1, a + b x_i ³ 1

p_i = a + b x_i , 0 < a + b x_i < 1

0, a + b x_i £ 0

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x_i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x_i，当x_i增加时，希望y_i也单调增加或单调减少。显然累积概率分布函数F(z_i) 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。用正态分布的累积概率作为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。

[此贴子已经被作者于2005-12-14 11:00:57编辑过]

离散选择模型还有其他几种形式：

删截模型（censored regression model）。Tobit模型就是一种删截模型，被解释变量在某个删截点之上或之下的值已经被删除。

截尾模型（truncated regression model）。应用于某个删截点之上或之下的观测值得不到的数据中的一种回归模型。

计数模型（count model）。当被解释变量表示次数时，离散模型就变成了计数模型。例如每年华北地区发生沙尘暴次数的模型。

有序响应模型（ordered response model）。当相互排斥的定性分类有一个正常的顺序时，例如用解释变量描述取得不同的教育学历时，建立的模型。有序响应数据没有自然的数值。

多元离散选择模型（multiple choice model）。被解释变量的选择不是二元的，而是多元的。

[此贴子已经被作者于2005-12-14 11:00:17编辑过]

[此贴子已经被作者于2005-12-14 10:59:52编辑过]

如果TOBIT模型中是面板数据和截面数据的估计方式与步骤是否一致？

关于PROBIT 和 logit 模型TOBIT模型 本人是这样认为的
上述三者同属于一个体系 即由于解决的是因变量为定性变量的问题，但是前两者解决的主要是LPM模型的不足 即条件概率模型的取值超出了(0,1)的范围，而发展的两个技术 ， 一个是概率单位模型， 一个是对数单位模型，前者的CDF使用的 累积正态函数， 后者使用的累积逻辑函数。
前两者有一个共同点是 因变量的取值可以获得 无论是发生还是没有发生 都可以取得到。而且关心的是事件的发生概率，而不是实质的经济变量（如买房子花费的金额大小），TOBIT 恰恰相反。
至于TOBIT 模型则是只对于可观测回归元的样本的信息进行处理，对于没有观测的回归元的信息则不处理 认定为0也成为是 限值因变量模型，或者截取回归模型