tobit与选择性样本.pptVIP

记x=(x1,x2)，表示模型中所有的解释变量。在双变量样本选择模型中的基本假设如下： （1）x和y1总可以观察到，但y2只有当y1=1时才能够被观察到。 （2）x1和x2为外生的解释变量， （3） ，之所以将选择方程中的随机扰动项方差设为1，是因为后面采用probit方法对该方程进行估计。 （4） 可以推出 ， 2、y1与y2的概率分布 对于选择结果y1，它的概率分布为： 由于水平结果y2只有当y1=1时才能够被观察到，所以当y2连续时，只有讨论它的密度函数 才有意义。 根据贝叶斯法则，可知 有： 3、模型估计：部分ML估计 对于第II类Tobit模型，由于y2只有当y1=1时才能被观察到，因此不能采用全条件的ML估计，而采用部分ML估计法。即所建立的似然函数是以y1=1为条件的，因此所使用的只是部分观察到y2的样本。上面所推导的 正是部分ML估计所需要和所能运用的密度函数。对所有观察到y2的样本的对数似然函数 进行加总，并最大化，可以估计出 。 对于第i个样本，我们观察到它的样本结果的概率为： 进而可构造双变量样本选择模型的对数似然函数, 进一步求出待估计参数。 4、模型估计：heckit方法 与第I类tobit类似，第II类tobti模型也可以采用heckit方法。首先对第II类Tobit模型中的条件期望进行推导。 由于我们面对的是断尾数据，因此考虑 是有意义的。 因为 所以 这就是heckman两阶段程序即heckit方法中的估计方程。从中可以看出，如果 ，那么即使用有选择的样本来进行OLS估计，仍然可以得到x2对于y2的一致影响。 但是当 时，OLS估计会遗漏掉 ，从而产生遗漏变量的问题。 被称为选择偏差。逆米尔斯比也称为控制函数，用于控制选择性偏差。 步骤总结：在第一阶段的估计中，对所有的观测对象，用y1对x1进行probit估计，得到 进而得到逆米尔斯比的估计值 。 第二阶段中，用观察到的y2对x2 和 进行OLS估计，从而得到 。 检验： ，即第二阶段回归方程中逆米尔斯比的系数。由于该回归方程中的随机扰动项具有异方差性，对该系数的检验可通过Wald检验来完成。 当检验的结果拒绝原假设时，表明出现了基于未观测变量的选择性，即影响水平的没有观察到的变量同时也影响了选择的结果，或者与选择方程中的残差项相关，所研究的问题存在选择问题及选择性偏差。 5、对heckit方法的说明 1、对 的解释： 。它的符号能够反映出参与方程与选择方程中没有被观察到的误差之间的相关关系。如果 ，意味着他们之间为负的相关关系，因此不仅存在选择偏差，而且意味着向下的数据截取，即选择进来的样本具有较低的y2取值，而观察不到那些取值较高的y2。 2、关于正态分布：对 的估计，非常依赖于对 正态分布的假设，而且估计的结果对该假设也非常敏感。当该假设不满足时， 的估计结果就会存在很大问题。计量经济学家试图用高阶的多项式来表述选择项 ，从而克服正态分布的局限性。除此之外，如果我们能对 的分布进行合理的其他形式假设，仍可采用ML方法，与Heckit两阶段估计相比，ML估计量更有效。但是ML方法比heckit更依赖于分布函数的假设，因此heckit方法更稳健。 3、模型的识别条件：在采用heckit方法对第II类tobit模型进行估计时，我们要求 ，即x2是x1的真子集。也就是说影响选择方程的解释变量至少有一个不影响结果方程，而影响结果方程的解释变量一定都包含在选择方程中。没有包含在结果方程中的解释变量称为“排除约束”。我们可以这样理解： 尽管逆米尔斯比为x1的非线性函数，但它通常可以很好地由一个线性函数来近似，如果x1=x2,就会造成 与x2的高度相关，从而出现多重共线性，参数估计的方差极大。 4、与第I类tobit模型的比较 第I类tobit模型以常数0为左截取点，虽然它也采用了隐性变量的模型结构，但在该模型中，仅仅是y*自身的取值大小影响其被观察到的数值大小