一、Tobit模型

在某些情况下，被解释变量Y的取值范围会受到限制，比如研究家庭医疗保险支出的影响因素时，某此家庭没有医疗支出即数字全部为0，也或者研究家庭收入水平时，某些样本家庭完全没有收入那么收入就全部为0，也或者数据调查中有一项为收入为10万以上，那么10万以上的具体数据就‘截尾’（没有10万以上，最多就到10万），又比如研究存款的影响因素，但是有的样本存储为负数（即其为负债非存储），诸如此类，按常理应该是正常的正态数据，但是其被解释变量出现‘断层’（删失），均可使用tobit模型进行研究（而不是常用的ols线性回归）。

特别提示：

删除数据分为两类，分别是‘左删失leftcensor’和‘右删失rightcensor’。上述中小于等于数字0即为左删失，10万即为右删失；
SPSSAU默认支持左删失和右删失的设置，如果不设置，则其完全等于普通ols线性回归。

二、案例分析

以下介绍使用SPSSAU-在线SPSS分析工具做tobit回归模型。

1、背景

当前有一项关于工资影响因素的研究，被解释变量为ln工资，解释变量为年龄，是否结婚（数字1代表结婚，数字0代表未结婚），子女数量，受教育年限共4个。被解释变量ln工资为工资取对数，如果没有工资则为数字0。明显的，类似这样的数据应该使用ols线性回归，但考虑到数据中有很多工资为0（即没有工资），此时就可考虑使用tobit模型更加适合。为更加方便的查看被解释变量的数据分布情况，将ln工资作直方图如下：

从上图可以明显的看到，数字出现删失，即有一部分数据集中在数字0。当然在分析的时候可考虑筛选出数字大于0的数据再进行ols线性回归也可（但这样做会减少样本利用率），如果说筛选出ln工资大于0后再做直方图如下：

明显的可以看到，筛选出ln工资大于0的数据，其明显的服从正态分布，使用ols线性回归非常适合。正因为此，tobit目的在于解释‘删失或受限’的数据情况。本案例使用tobit回归模型研究年龄，是否结婚，子女数量，受教育年限共4项对于ln工资的影响情况。

2、理论

Tobit回归模型用于解决‘删失/受限被解释变量’这种问题，如果被解释变量中的数据有出现‘删失/受限’，此时进行ols回归并不科学。删失分为两种，分别是‘左删失leftcensor’和‘右删失rightcensor’，如果说小于等于某个数字的数据‘不正常’（左删失leftcensor），也或者大于等于某个数字的数据‘不正常’(右删失rightcensor)，此时均可使用Tobit模型。

3、操作

本案例操作截图如下：

本案例中有左删失数据，且leftcensor为0，因此在‘LeftCensored’中输入数字0，本案例数据并没有右删失值，因此不设置‘RightCensored’。

4、 SPSSAU输出结果

SPSSAU共输出4类表格，分别是Tobit回归模型似然比检验，Censor数据样本汇总，Tobit回归分析结果汇总和Tobit回归分析结果汇总-简化格式。说明如下：

5、文字分析

上表格展示Tobit回归模型似然比检验结果，其一般用于判断模型是否有意义，原理上Tobit模型使用极大似然法进行计算，因而可对似然比检验结果进行关注。从上表可知，似然比检验的p值为0.000<0.05，即说明放入4个解释变量对于模型有帮助，即说明模型构建有意义。

上表格展示删失数据的分布情况。共有2000个样本，本案例设定左删失leftcensor为数字0，上表格展示出共有657个样本为左删失数据（即在657个样本数据小于等于数字0），比例为32.85%，没有设置右删失rightcensor，则没有右删失数据。

上表格展示出tobit回归模型拟合结果。模型公式为：ln工资 = -2.808 + 0.052*年龄 + 0.484*是否结婚 + 0.486*子女数量 + 0.115*受教育年限。模型的McFadden R 方为0.064，即意味着4个解释变量对于工资的解释力度为6.4%【特别提示：通常情况下对此指标的关注度较低】。

最终具体分析可知：

年龄的回归系数值为0.052，并且呈现出0.01水平的显著性(z=9.078，p=0.000<0.01)，意味着年龄会对工资产生显著的正向影响关系，年龄越大工资越高。是否结婚的回归系数值为0.484，并且呈现出0.01水平的显著性(z=4.677，p=0.000<0.01)，意味着是否结婚会对工资产生显著的正向影响关系，即相对未婚群体，已婚群体的工资明显更高。子女数量的回归系数值为0.486，并且呈现出0.01水平的显著性(z=15.329，p=0.000<0.01)，意味着子女数量会对工资产生显著的正向影响关系，子女数量越多的群体工资收入越高。受教育年限的回归系数值为0.115，并且呈现出0.01水平的显著性(z=7.617，p=0.000<0.01)，意味着受教育年限会对工资产生显著的正向影响关系，即受教育年限越多的群体工资收入会越多。

总结分析可知：年龄, 是否结婚, 子女数量, 受教育年限共4项均会对工资产生显著的正向影响关系。

上表格展示出Tobit回归模型的简化结果表格，该表格列出模型的关键信息点，可直接使用。

6、剖析

提示‘没有uncensored数据’，如果设置leftcensored或rightcensored后，导致未删失数据个数为0，则会出现此提示。

三、疑难解惑

1、Tobit回归时的模型似然比检验不通过，显示模型无意义？

Tobit回归模型用于解决有删失数据的样本，当然也可考虑使用ols回归（此时不考虑删失数据这一问题），与此同时，也可考虑先筛选过滤掉删失数据，然后再进行ols回归。建议可对比ols回归和tobit回归的结果，综合进行判断。

2、McFadden R 方非常低？

Tobit回归时McFadden R 方的意义相对较小，一般不用过多关注此指标。

SPSSAU数据科学分析平台-让数据分析非常简单，登录SPSSAU官网免费体验

结合案例说说Tobit回归模型相关推荐

python归一化增大差异_Python逻辑回归模型原理及实际案例应用
前言上面我们介绍了线性回归, 岭回归, Lasso回归, 今天我们来看看另外一种模型-"逻辑回归". 虽然它有"回归"一词, 但解决的却是分类问题目录 1. ...
信贷产品额度定价场景下的回归模型效果评估
在信贷风控的决策流程中,我们必然会在某些节点放入模型来使用,例如A卡(申请).B卡(行为).C卡(催收).F卡(反欺诈)等.当我们线下建立好一个模型之后,只有通过样本内外的多次测试,以及模型性能指标达 ...
R语言cox回归模型案例（绘制列线图、校正曲线）：放疗是否会延长胰脏癌手术患者的生存时间
R语言cox回归模型案例(绘制列线图.校正曲线):放疗是否会延长胰脏癌手术患者的生存时间目录
R语言Logistic回归模型案例基于AER包的affair数据分析
R语言Logistic回归模型案例基于AER包的affair数据目录 R语言Logistic回归模型案例基于AER包的affair数据 #数据加载及目标变量二值化
R语言Logistic回归模型案例:低出生婴儿体重的影响因素分析（列线图、校准曲线）
R语言Logistic回归模型案例:低出生婴儿体重影响因素分析(列线图.校准曲线) 目录 R语言Logistic回归模型案例:低出生婴儿体重影响因素分析(列线图.校准曲线ÿ
R语言Logistic回归模型案例:分析吸烟、饮酒与食管癌的关系
R语言Logistic回归模型案例:分析吸烟.饮酒与食管癌的关系目录 R语言Logistic回归模型案例分析吸烟.饮酒与食管癌的关系 #样例数据
R语言条件Logistic回归模型案例:研究饮酒与胃癌的关系
R语言条件Logistic回归模型案例:研究饮酒与胃癌的关系目录 R语言条件Logistic回归模型案例:研究饮酒与胃癌的关系 #样例数据
R语言泊松回归模型案例:基于AER包的affair数据分析
R语言泊松回归模型案例:基于AER包的affair数据分析目录 R语言泊松回归模型案例基于AER包的affair数据分析 #数据加载
R的爬虫和回归模型案例-以北京自如房租价格为例
一.背景爬虫向来不是R的专长,但并不代表R在此方面一事无成.正好在学习R的rvest爬虫包,不如边学边做,自己来做一个案例. 作为一名消费者,自如不错的管理服务和靠谱的房源使得在帝都想省事儿的我们, ...

结合案例说说Tobit回归模型

一、Tobit模型

二、案例分析

1、背景

2、理论

3、操作

4、 SPSSAU输出结果

5、文字分析

6、剖析

三、疑难解惑

结合案例说说Tobit回归模型相关推荐

最新文章

热门文章

结合案例说说Tobit回归模型

一、Tobit模型

二、案例分析

1、背景

2、 理论

3、 操作

4、 SPSSAU输出结果

5、文字分析

6、 剖析

三、疑难解惑

结合案例说说Tobit回归模型相关推荐

最新文章

热门文章

2、理论

3、操作

6、剖析