- 0
- 0
- 约5.69千字
- 约 10页
- 2026-11-18 发布于北京
- 举报
别再搞错面板Tobit回归:原理+操作+解读
案例数据下载:/data/panel_tobit_sample.csv
方法简介
当因变量在某个界上大量堆积,比如研发投入有一批企业为0、捐赠额有一批家庭为0、工作时数在制度上限处截断,普通线性回归会把“堆积”当成普通取值,系数被拉向0。Tobit模型把这类变量看成潜变量的删失观测;如果数据还是面板,同一个体多期观测之间存在不可观测的个体差异,就需要把随机效应一并纳入,这就是SPSSAU的面板Tobit回归。
随机效应面板Tobit的设定为:
y*it=xit′β+vi+εit,vi~N(0,σv2),εit~N(0,σe2)
实际观测为:yit=0(当y*it≤0,左删失);yit=y*it(其余)。个体效应vi是随机效应,用高斯-埃尔米特求积积分掉,而不是当成N个待估参数。这样得到的估计与Stata的xttobit、R的pglm随机效应Tobit同一口径。
先确认数据是长面板。一行应是一个“个体×时期”的观测,个体键与时间键齐全;同一对键重复出现会破坏面板结构,应先聚合或去重。
再确认因变量确实有堆积。左删失界通常设为0;如果因变量在上限处也有堆积,需要同时给出右删失界。两侧都不设界时,面板Tobit与普通面板回归的似然相同,模型没有可估
原创力文档

文档评论(0)