Для описания зависимости цензурированной переменной yt от влияющих на нее факторов обычно используется так называемая tobit-модель.
Tobit-модель исходит из того, что цензурированная переменная yt описывается следующим выражением:
yt=a¢×xt+et. (10.159)
где yt – наблюдаемые значения зависимой переменной (например, либо фактические расходы на отдых за границей, либо 0); xt – вектор независимых переменных, влияющих на зависимую переменную yt, a – вектор параметров; et – ошибка модели.
Далее tobit-модель предполагает, что цензурированным значениям yt (т. е. yt=0; b=0 – точка цензурирования) соответствует неположительное произведение a¢×xt (a¢×xt£0); а нецензурированным значениям yt – положительное (a¢×xt>0).
Из выражения (10.159) следует, что условное математическое ожидание переменной уt по факторам xt определяется как
M=a¢×xt. (10.160)
Математическое ожидание уt с учетом цензурирования (т. е. M) для точки цензурирования b=0 определяются следующим образом (см. выражение (10.154)):
где
В соответствии с выражением (10.160) маржинальные эффекты факторов xt для математического ожидания переменной уt (без учета цензурирования) определяются как
В соответствии с выражением (10.161) маржинальные эффекты факторов xt для математического ожидания переменной уt с учетом цензурирования могут быть представлены в следующем виде:
Заметим, что tobit-модель предполагает, что изменение факторов xt приводит к тому, что вероятность P(yt>0) и математическое ожидание М(yt|yt>0) обязательно меняются в одинаковом направлении. Действительно, согласно выражению (10.156) вероятность того, что уt>0 определяется как
P(уt>0)=P(a¢×xt >0)=F(a¢×xt /s). (10.165)
Соответственно маржинальный эффект факторов xt для вероятности P(уt>0) может быть представлен в следующем виде:
¶P(yt>0)/¶хt=j(a¢×xt)×a. (10.166)
Если коэффициент ai положителен, то согласно выражениям (10.164) и (10.166) с увеличением фактора хit (i=1,2,..., n; t=1,2,..., T) увеличивается как математическое ожидание М(yt|yt>0), так и вероятность P(yt>0), и, наоборот, при отрицательном ai с ростом фактора хit эти показатели уменьшаются.
Вместе с тем заметим, что эффект одновременного увеличения математического ожидания и вероятности при увеличении некоторого независимого фактора хi на практике может и не иметь место. В частности, как показали Фин и Шмидт (Fin and Schmidt, 1984), независимая переменная хi, увеличивающая вероятность нецензурированного наблюдения (P(yt>0)), не всегда увеличивает и математическое ожидание переменной (М(yt|yt>0)). В качестве примера они приводят потери от пожаров в зданиях. Вероятность возникновения пожара в старом здании выше, следовательно ¶P(yt>0)/¶хit>0 (хit – возраст t-го здания), но так как старое здание стоит дешевле, то и пожар в нем приносит меньше убытков, т. е. ¶М(yt|yt>0)/¶хit<0. Таким образом, в данной задаче предполагается, что коэффициент ai при факторе “возраст здания” имеет разные знаки в функциях вероятности и математического ожидания. В рамках tobit-модели это учесть невозможно.
Для описания процессов, в рамках которых предположение об одинаковом характере маржинального эффекта математического ожидания и вероятности не выполняется, была предложена более общая модель, являющаяся сочетанием одномерной probit-модели и усеченной регрессии (для нецензурированных значений зависимой переменной).
На основе probit-модели определяется вероятность нецензурированного (или цензурированного) наблюдения при данном наборе факторов xt.
P=F(g¢xt); zt =1,
P=1–F(g¢xt); zt =0, (10.167)
где F(g¢xt) – интегральная функция закона нормального распределения, определяющая вероятность нецензурированного наблюдения; g – вектор параметров модели, zt – переменная-индикатор, принимающая значение 1 для нецензурированного наблюдения и значение 0 – для цензурированного.
Далее на основе модели усеченной регрессии определяется математическое ожидание нецензурированного наблюдения. В соответствии с выражением (10.150) математическое ожидание нецензурированной переменной может быть представлено в следующем виде:
M=a¢xt +s×lt. (10.168)
Заметим, что если g=a/s, то модель (10.167)–(10.168) сводится к tobit-модели.
Поможем написать любую работу на аналогичную тему