双重样本选择模型(Tobit模型)参数估计.pdf

双双重重样样本本选选择择模模型型（（Tobit模模型型））参参数数估估计计研研究究

一一、、Tobit模模型型的的理理论论基基础础与与历历史史发发展展

（（一一））Tobit模模型型的的提提出出背背

Tobit模型由诺贝尔经济学奖得主JamesTobin于1958年提出，用于解决受限因变量（CensoredDependentVariable）的回归

问题。该模型最初应用于研究家庭耐用消费品支出数据，因其存在大量零值观测（即未购买者的消费金额无法观测）。传统线

性回归模型在此类数据中会产生参数估计偏误，Tobin通过引入潜变量概念构建了新的估计框架。

（（二二））模模型型的的基基本本经经济济学学含含义义

Tobit模型的核心思想是区分观察值的潜在生成机制与实际观测结果。当因变量存在下限或上限截断时，观测数据由两个过程

共同决定：一是决定是否达到临界值的选择机制，二是决定具体取值的连续过程。这种双重性使得模型能够同时处理离散选择

与连续变化的混合数据特征。

二二、、Tobit模模型型的的数数学学形形式式与与假假设设条条件件

（（一一））模模型型的的基基本本设设定定

标准Tobit模型可表示为：

$$y_i^=\betaX_i+\varepsilon_i

$$

其中，$y_i^$为潜变量，$X_i$为解释变量向量，$\varepsilon_i\simN0,\sigma^2)$。实际观测值$y_i$满足：

$$y_i=\begin{cases}y_i^\text{若}y_i^0\0\text{若}y_i^*\leq0\end{cases}$$

（（二二））关关键键假假设设条条件件

1.误差项的正态性：$\varepsilon_i$服从独立同分布的正态分布

2.同方差性：所有观测点的方差恒定

3.删失点固定：截断阈值预先确定且不随个体变化

4.解释变量外生性：$X_i$与误差项无关

三三、、Tobit模模型型参参数数估估计计方方法法

（（一一））极极大大似似然然估估计计法法（（MLE））

1.似然函数构建

对每个观测值分情况构造概率：

当$y_i=0$时：$Py_i=0)=\Phi-X_i\beta/\sigma)$

当$y_i0$时：$fy_i)=\frac{1}{\sigma}\phi\left\frac{y_iX_i\beta}{\sigma}\right)$

整体似然函数为：

$$L=\prod_{y_i=0}\Phi\left-\frac{X_i\beta}{\sigma}\right)\prod_{y_i0}\frac{1}{\sigma}\phi\left\frac{y_iX_i\beta}

{\sigma}\right)$$

1.对数似然函数最大化

通过数值优化方法（如Newton-Raphson算法）求解以下函数的极值：

$$\lnL=\sum_{y_i=0}\ln\Phi\left-\frac{X_i\beta}{\sigma}\right)+\sum_{y_i0}\left[-\ln\sigma+\ln\phi\left\frac{y_i

X_i\beta}{\sigma}\right)\right]$$

（（二二））两两阶阶段段估估计计法法

1.第一阶段：Probit模型估计

估计选择概率方程：

$$Py_i0)=\PhiX_i\gamma)$$

得到参数估计量$\hat{\gamma}$

2.第二阶段：修正回归方程

构造逆米尔斯比率（IMR）：

$$\lambda_i=\frac{\phiX_i\hat{\gamma})}{\PhiX_i\hat{\gamma})}$$

估计修正后的回归模型：

$$y_i=\betaX_i+\theta\lambda_i+u_i$$

3.方法局限性

需要严格满足正态性假设

两阶段估计效率低于MLE

标准误需要特殊调整

四四、、Tobit模模型型的的应应用用实实例例分分析析

（（一一））微微观观经经济济数数据据建建模模

以家庭医疗支出研究为例，30%的样本医疗支出为零。直接使用OLS会产生向下偏误，因为未考虑零值的生成机制。Tobit模

型可同时