Mô hình hồi quy theo biến giả – Phần 4 (Mô hình tobit)

0
Khuyến mãi mới

Mô hình tobit là phiên bản mở rộng của mô hình probit. Ví dụ: Trong mô hình probit, chúng ta ước lượng xác suất kết hôn như một hàm của các kiến kinh tế xã hội. Khác với probit, mô hình tobit ước tính thời gian mà một người dành cho một mối quan hệ cho đến khi kết hôn. Nếu người đó không kết hôn, chúng ta không có dữ liệu về thời gian cần tính. Do đó, người được khảo sát chia ra làm 2 nhóm. N1 là những người có thông tin về biến giải thích như thu nhập, lối sống, gia đình và cả biến độc lập (thời gian dành cho mối quan hệ)... N2 là những người chỉ có thông tin về biến giải thích (đây là mẫu kiểm duyệt - censored sample). Do đó, mô hình tobit còn được gọi là mô hình hồi quy kiểm duyệt - censored regression model.

Xem thêm: Mô hình Probit

Phương trình

 nếu biến cố xảy ra (*)

= 0 trong trường hợp ngược lại

Ở phương trình trên, bạn không thể ước lượng bằng OLS chỉ với nhóm N1 mà không quan tâm tới nhóm N2. Trong mô hình tobit, bạn phải sử dụng phương pháp ước lượng xác suất cực đại (maximum likelihood). Nếu bạn không muốn sử dụng cách này thì có thể sử dụng cách tiếp cận của James Heckman:

  • Bước 1: Ước lượng xác suất kết hôn như trong mô hình probit
  • Bước 2: Ước lượng mô hình (*) bằng cách thêm vào đó một biến. Biến này được gọi là tỷ lệ nghịch đảo Mills hay tỷ lệ rủi ro.  Biến này được lấy từ kết quả của mô hình probit ở bước 1.

Lưu ý

Phương pháp này thì hiệu quả hơn so với miximum likelihood (ML) nhưng nó không tiện vì qua nhiều bước. Hiện nay phần lớn các phần mềm đều có thể ước lượng bằng ML nên phương pháp của Heckman chỉ để tham khảo thôi.

Leave A Reply