Tobit模型估计方法与应用二.doc

Tobit模型估计方法与应用（二） 周华林 李雪松 2012-10-25 10:12:04　　来源：《经济学动态》(京)2012年5期第105～119页 　　三、Tobit模型的估计Ⅰ：非联立方程模型　　1.Tobit模型的MLE。1974年之前的文献对Tobit模型的估计都是采用了MLE，这种方法的特点是估计过程比较复杂，计算相当繁琐，而且需要选择一个合理的初始值，但是用这种方法估计出来的结果具有较好的性质，估计值的有效性较好。Tobin(1958)采用MLE，并给出选择初始值的方法，Heckman(1974)将Tobit模型扩展成联立(simultaneous)系统方程，沿袭了Tobin(1958)及Gronau(1974)的MLE。　　Tobin(1958)关注了被解释变量有下限、上限或者存在极限值这类问题的研究，后来人们把具有这种特征的问题研究的模型称为Tobit模型。Tobin认为受限因变量的重点主要有两个方面，一是受限因变量和别的变量之间的关系，另一是这种关系的假设检验问题。在这样的问题的研究中，解释变量不仅影响受限变量的概率，也影响非受限因变量的规模大小。对于这类问题，如果不考虑非受限因变量的解释，而是只考虑受限因变量或是非受限因变量的概率问题，那么Probit分析就能提供一个合适的统计模型；如果不关注观测值的限制性，只是要解释某些变量，多元回归分析也是一种合适的统计技术。不过，当因变量的信息是有用的时候，丢失这些信息显然会使得研究丧失效率。Tobin以不同家庭的不同行为选择问题为例，建立了如下受限因变量模型。　　假设W是受限因变量，具有下限L：　　　　根据一阶条件公式，带入初始值运用牛顿迭代法计算，这就是著名的“得分法”，迭代直到Δa的值的变化非常小时，得到的估计值就是受限因变量模型的估计值。Tobin选择的初始值是函数-Z(x)/Q(x)的线性近似值，也可以说是lnQ(x)的二次方程的近似值。为了研究这类模型的特点，Tobin用1952年和1953年的数据对耐用品的支出问题进行了分析，目的是探求耐用品支出与年龄及流动性资产持有之间的关系。　　　　2.Tobit模型的Heckman两步法估计。　　1974年以后对Tobit模型的估计方法不再以MLE为核心进行突破，而是对Heckman两步法不断扩充和改进，主要是因为Heckman两步法计算比较简单，而且估计的结果是一致的，也无须考虑初值的问题。但是两步法的估计效率不如MLE，且这种估计方法要求两个方程的解释变量不能完全相同。Heckman(1976)介绍了两步法的推导过程，并证明了两步法的估计性质，以及应用两步法需要注意的问题。Amemiya(1974)将Tobit模型扩展到多变量模型，推导了模型估计方法。　　Heckman(1976)对样本选择、截断、受限因变量等统计模型做了一个概括性的分析，扩展了Gronau(1974)和Lewis(1974)等的研究成果，证明了文中所提到的估计方法的应用环境、估计值的性质等。Heckman指出审查(censored)数据模型和截断(truncated)的区别在于截断数据不能使用有用的数据估计有完整数据的观测值的概率，但是审查数据可以。受限因变量模型需要考虑选择性偏差的影响，样本选择性偏差问题的研究最初起源于Gronau(1974)和Lewis(1974)关于工资选择偏差问题的研究，把未出现在工资方程中的额外的变量引起的工资率的变化称为选择性偏差。如劳动工资方程中，婚姻状态、小孩数量等虽然不是工资率的直接解释变量，但这些因素影响了工作选择的决定，因而通过限制性条件的方式对受限变量产生了选择性偏差。在实证部分Heckman用美国33-44岁女性的纵向(longitudinal)调查数据研究了女性工资率及工作时间的问题。　　　　　　Amemiya(1974)将截断(truncated)因变量的单方程回归模型扩展到多变量方程模型和联立方程模型，提出了一个简单的可计算的一致估计法。对这类模型的研究主要集中于三个方面：一是参数值及协方差的估计；二是考虑估计值的一致性及有效性；三是渐进分布的推导用于对估计值进行假设检验。　　对于多变量回归方程模型，假设n维随机变量：　　　　Amemiya为了解决上述三个核心问题，对多变量回归模型作了如下假设：　　假设1：参数空间是紧致的并且是一个具有真实值的开邻域。　　　　　　四、Tobit模型的估计Ⅱ：联立方程模型　　联立方程Tobit模型估计方法与非联立Tobit模型有较大的区别。这种模型估计涉及到两个问题，一是如何判断所建立的方程是否是联立方程的问题。Lee(1978)明确提出了检验的方法。二是如何估计模型的问题，以往