Stata基础：受限被解释变量
学术
2024-11-17 11:30
四川
在某些情况下，被解释变量的取值范围可能是受限制的，被称为“受限被解释变量”。研究这种类型的变量的模型被称为受限被解释变量模型，分为断尾回归、截取回归与样本选择模型。（1）普通断尾随机变量——断尾回归:对于分析的样本解释变量有上限或者下限的要求（2）零断尾计数数据——零断尾泊松回归和负二项回归:正整数（3）偶然断尾(自选择问题)——样本选择模型:因为某些原因，导致被解释变量的取值有所不同（4）归并数据——归并Tobit模型和跨栏模型:一个离散点和一个连续分布II(#)表示左边断尾，ul(#)表示右边断尾，两个都用则表示双边断尾。样本中仅包括正整数，而不包括为0的样本(本身存在一定的样本选择问题)，例如，在公交车上发放问卷调查每周乘坐公交车的次数。第二个和第三个是负二项回归，其中第二个是默认的NB2模型，第三个是NB1模型被解释变量y的断尾与z变量相关，这被称为偶然断尾，即存在样本自选择问题。类似于零断尾现象的存在，样本本身被选择就是由于某些其他因素的存在。此时需要采取heckman两步法，第一步需要测算样本被选择的概率，第二步再对规律进行回归。 ![]()
第一个为默认使用的MLE法进行测算的，第二个是Heckit的两步法，第三个是选择方程的被解释变量不再是y而是w。在最后一行的p值表示拒绝原假设，即应该选择样本选择模型。当满足某个条件时，被解释变量的取值全部归为了一个数，即被解释变量的分布变成了一个离散点和一个连续分布。 但是其对被解释变量的分布要求很高，需要服从同方差以及正态分布的特征。(最大似然估计的衍生)用下面的方法对正态性进行检验。(需要在进行tobit回归之后使用)观察CM值，将其与各个百分比的数值进行对比，大于则拒绝原假设，即不认为其为正态分布。若进行CLAD法，发现其与Tobit存在较大差异，则表示确实不应当采用Tobit回归。将决策分为两个阶段，第一个是是否会做这件事，第二个才是做这件事的结果数值大小。即分别进行回归，首先第一阶段，生成一个被解释的虚拟变量，利用全样本进行Probit或者Logit回归。![]()
