Publié par admin dans 

Aussi j`ai toujours pensé que l`article original d`Amemyia était assez agréable dans la pose des fondements théoriques de la régression Tobit. … à la fois l`hétérokedasticité et la non-normalité entraînent l`incohérence de l`estimateur tobit $ hat{beta} $ pour $ beta $. Cette incompatibilité se produit parce que la densité dérivée de $y $ donnée $x $ charnières crucialement sur $y ^ * | xsimmathrm {normal} (xbeta, sigma ^ 2) $. Cette non-robustesse de l`estimateur tobit montre que la censure des données peut être très coûteuse: en l`absence de censure ($y = y ^ * $) $ beta $ pourrait être systématiquement estimée sous $E (u | x) = 0 $ [ou même $E (x`u) = 0 $]. Notez que cela diffère de la fonction de probabilité du modèle de régression tronquée. [3] comme d`autres l`ont mentionné ici, l`application principale de la régression de Tobit est où il y a la censure des données. Tobit est largement utilisé en conjonction avec Data Envelopment Analysis (DEA) et par l`économiste. En DEA, le score d`efficacité se situe entre 0 et 1, ce qui signifie que la variable dépendante est censurée à 0 de gauche et 1 de droite. Par conséquent, l`application de la régression linéaire (OLS) n`est pas réalisable. Dans ce modèle spécifique, ρ y i, t − 1 {displaystyle rho y_ {i, t-1}} est la partie d`effet dynamique et c i {displaystyle _ {i}} est la partie d`effet non observée dont la distribution est déterminée par le résultat initial de l`individu i et certaines caractéristiques exogènes de l`individu i .

Lorsqu`on lui a demandé pourquoi il a été appelé le modèle «tobit», au lieu de Tobin, James Tobin a expliqué que ce terme a été introduit par Arthur Goldberger, soit comme une contraction de «Tobin probit», ou comme une référence au roman The Caine Mutiny, un roman de l`ami de Tobin Herman Wouk , dans lequel Tobin fait une camée comme « M. Tobit ». Tobin rapporte avoir effectivement demandé à Goldberger ce qu`il était, et l`homme a refusé de dire. [4] pour résumer la différence entre les moindres carrés et la régression de Tobit est l`hypothèse inhérente de la normalité dans ce dernier. Nous souhaitera peut-être également voir des mesures de la façon dont notre modèle s`adapte. Cela peut être particulièrement utile lors de la comparaison de modèles concurrents. Une méthode consiste à comparer les valeurs prédites basées sur le modèle tobit aux valeurs observées dans le jeu de données. Ci-dessous nous utilisons prédire pour générer des valeurs prédites d`apt basé sur le modèle.

Ensuite, nous corréler les valeurs observées de apt avec les valeurs prévues (yhat). Heckman (1987) tombe dans le Tobit de type II. Dans le type I Tobit, la variable latente absorbe à la fois le processus de participation et le «résultat» d`intérêt. Type II Tobit permet le processus de participation/sélection et le processus de «résultat» d`être indépendant, conditionnel à x. Veuillez noter: le but de cette page est de montrer comment utiliser diverses commandes d`analyse de données. Il ne couvre pas tous les aspects du processus de recherche que les chercheurs sont censés faire. En particulier, il ne couvre pas le nettoyage et la vérification des données, la vérification des hypothèses, le diagnostic de modèle et les analyses de suivi potentielles. Le reste des modèles sera présenté comme étant délimité par le bas à 0, bien que cela puisse être généralisé comme fait pour le type I.