存单样本图(结合案例)Tobit回归模型)

结合案例说说Tobit回归模型

一、tobit模型2.案例分析背景理论操作SPSSAU输出结果的文本分析分析3。在某些情况下，疑难解惑被解释为变量Y值的范围将受到限制。例如，在研究家庭医疗保险支出的影响因素时，如果家庭没有医疗支出，即所有数字为0，或者在研究家庭收入水平时，如果一些样本家庭根本没有收入，那么所有收入都是0，或者数据调查中的一个是收入超过10万，那么超过10万的具体数据是截止日期（如果没有超过10万，最多可以达到10万），例如，研究存款的影响因素，但有些样本存储为负（即负债非存储），等等，这应该是正常的正态数据，但它被解释为断层（删除），可以使用tobit研究模型(而不是常用的)ols线性回归)。

特别提示：存单样本图片

删除数据分为左删失两类leftcensor还有右删失rightcensor。上述中小于等于数字0的是左删失，10万是右删失；默认支持左删失和右删失的设置。如果不设置，完全等于普通ols线性回归。下面介绍使用情况-在线SPSS分析工具做tobit回归模型。

目前，有一项关于工资影响因素的研究被解释为变量ln工资，解释变量是年龄，是否结婚(数字1代表结婚，数字0代表未婚)，子女数量，教育年限共4个。解释变量ln工资是工资对数，没有工资是数字0。显然，应该使用类似的数据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模型更合适。为了更方便地查看解释变量的数据分布，将ln工资直方图如下：存单样本图

从上图可以清楚地看出，数字被删除，也就是说，一些数据集中在数字0上。当然，在进行分析之前，可以考虑筛选数字大于0的数据ols如果筛选出线性回归(但这样做会降低样本利用率)ln工资大于0后，直方图如下：存单样本图片

很明显，筛选出来了ln工资大于0的数据明显服从正常分布和使用ols线性回归非常合适。正因为如此，tobit目的是解释删除或限制的数据。使用本案例tobit回到模型研究年龄，是否结婚，子女数量，教育年限共4项ln工资的影响。

Tobit回归模型用于解决删除/限制解释变量的问题。如果解释变量中的数据有删除/限制，此时进行ols回归不科学。删失分为左删失两种leftcensor还有右删失rightcensor如果数据异常小于或等于某个数字(左删失leftcensor），或大于或等于字的数据异常(右删失rightcensor)，此时均可使用Tobit模型。

本案例操作截图如下：

在这种情况下，左删失数据，leftcensor为0，所以在‘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’。

共输出4种表格，即Tobit回归模型似乎比检验更好，Censor数据样本汇总，Tobit总结和回归分析结果Tobit总结回归分析结果-简化格式。说明如下:

上表格展示Tobit原则上，回归模型似乎比检验结果更有意义。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。从上表可以看出，似乎与检验相比p值为0.000<0.05，也就是说，放入四个解释变量对模型有帮助，也就是说模型构建有意义。

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，上表显示左删失数据共有657个样本(即657个样本数据小于等于数字0)，比例为32.85%，右删失没有设置rightcensor，没有右删数据。

上表显示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*教育年限McFaddenR方为0.064，也就是说，四个解释变量对工资的解释是6.4%特别提示：通常对此指标的关注度较低。

最后具体分析可知：

年龄回归系数值为0.052，并且呈现出0.01水平的显著性(z=9.078，p=0.000<0.01)，这意味着年龄对工资有显著的积极影响，年龄越大，工资越高。婚姻的回归系数值是否为0.484，并且呈现出0.01水平的显著性(z=4.677，p=0.000<0.01)，这意味着婚姻是否会对工资产生显著的积极影响，即已婚群体的工资明显高于未婚群体。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)，这意味着孩子的数量将对工资产生显著的积极影响，孩子的数量越多，工资收入就越高。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)，这意味着教育年限对工资有显著的积极影响，即教育年限越多，工资收入就越高。

综上所述：年龄、是否结婚、子女数量、受教育年限四项都会对工资产生显著的积极影响。

上表显示Tobit简化模型的简化结果表，列出了模型的关键信息点，可以直接使用。

提示‘没有uncensored如果设置了数据leftcensored或rightcensored之后，如果未删除的数据数量为0，则会出现此提示。

1、Tobit回归模型似乎比检验不合格，显示模型毫无意义？

Tobit回归模型用于解决有删除数据的样本，当然也可以考虑使用ols回归(此时不考虑删除数据的问题)，同时也可以考虑先筛选过滤删除数据，再进行ols回归。建议可对比ols回归和tobit综合判断回归结果。

2、McFaddenR方非常低？

Tobit回归时McFaddenR方的意义相对较小，一般不需要太注意这个指标。

点击获取案例数据：

提取码：0713

数据科学分析平台-让数据分析非常简单，登录免费体验：找到77905429张原始存单样本图片设计图片，包括存单样本图片、材料、海报、证书背景、源文件PSD、PNG、JPG、AI、CDR等格式素材！