Bayesci Tobit Modeli
Bayesian Tobit Model · Ayrıca şöyle bilinir: Bayesian censored regression, Bayesian Type I Tobit, Bayesian truncated regression, Tobit with priors
Bayesci Tobit modeli, regresyon katsayıları ve hata varyansı üzerindeki tam sonsal dağılımı kullanarak en çok olabilirlik nokta tahminlerinin yerine geçen Tobin'in sansürlenmiş regresyon çerçevesini genişletir. Veri artırımı ile Gibbs örneklemesini gömerek, güven aralıkları üretir, küçük sansürlenmiş örneklemleri zarifçe ele alır ve etki büyüklükleri hakkındaki önsel bilgileri doğal olarak içerir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Sürekli sonucun sansürlendiği (örneğin, harcama veya süre verileri için sıfırda sol sansürlü) ve yalnızca nokta tahminleri yerine tam belirsizlik ölçümü gerektiğinde Bayesci Tobit modelini kullanın. Özellikle MLE'nin kararsız olduğu küçük veya orta derecede sansürlenmiş örneklemlerde veya ilgili önsel bilginin mevcut olduğu durumlarda değerlidir. Ayrıca, sansürlenmiş gözlemlerin oranının büyük olduğu (yüzde 30-40'ın üzerinde) ve sık kullanılan standart hataların güvenilmez olduğu durumlarda tercih edilir. Sıfır değerlerinin yapısal olarak farklı bir süreçten (yapısal sıfırlar yerine sansürleme) kaynaklandığı durumlarda sıfır şişirilmiş veya iki parçalı bir modelin yerine geçmesi olarak kullanmayın; bu durumda Tobit varsayımını yanlış uygulamak yanlı tahminlere neden olur.
Güçlü yönler & sınırlılıklar
- Yalnızca nokta tahminleri yerine tam sonsal dağılımlar — güven aralıkları, öngörüsel dağılımlar — sağlar.
- Gibbs örneklemesi yoluyla veri artırımı, büyük sansürlenmiş veri oranlarında bile hesaplamayı çözülebilir hale getirir.
- Önsel bilgiyi içerir, örneklem küçük olduğunda veya sansürleme yoğun olduğunda tahminleri stabilize eder.
- Parametre belirsizliğini doğal olarak tahminlere ve marjinal etkilere yayar.
- Gözlem başına kesilmiş normal örnekleme sınırlarını ayarlayarak heterojen sansürleme eşiklerini ele alır.
- Sansürleme mekanizmasının sıfırların veya sınır değerlerinin tek nedeni olduğunu varsayar; sıfırların yapısal olması durumunda yanlış belirtilmiştir (iki parçalı süreç).
- Sonuçlar, küçük örneklemlerde seçilen önsel değerlere duyarlıdır — önsel belirtim dikkatli gerekçelendirme gerektirir.
- MCMC örneklemesi, özellikle büyük veri kümeleri veya çok sayıda öngörücü için MLE'den hesaplama açısından daha yoğundur.
- Gauss gizli hatasına dayanır; ağır kuyruklu veya çarpık hatalar uzantılar gerektirir (örneğin, Öğrenci-t Tobit).
SSS
Bayesci Tobit, klasik (MLE) Tobit'ten nasıl farklıdır?
Klasik Tobit, nokta tahminleri ve asimptotik standart hatalar elde etmek için sansürlenmiş veri olabilirlik katkısını maksimize eder. Bayesci Tobit, tam sonsal dağılımı örneklemek için MCMC kullanır, kesin sonlu-örneklem güven aralıkları verir ve önsel değerleri dahil etme yeteneği sağlar — küçük veya yoğun sansürlenmiş örneklemler için bir avantajdır.
Katsayılar için hangi önsel değeri kullanmalıyım?
Orta düzeyde bir varyansa sahip sıfır merkezli zayıf bilgilendirici normal bir önsel (örneğin, N(0, 10²)) güvenli bir varsayılan değerdir. Alan bilginiz varsa — diyelim ki önceki bir çalışmanın tahmin edilen etki büyüklüğü — o tahmine merkezlenmiş daha sıkı bir önsel hassasiyeti artırabilir. Daha geniş bir önsel ile yeniden çalıştırarak duyarlılığı her zaman kontrol edin.
Bayesci bir Tobit'ten marjinal etkileri nasıl hesaplarım?
Gizli sonuç E[y*|x] için marjinal etki basitçe katsayı β'dır. Sansürlenmiş (gözlemlenen) sonuç E[y|x] için, β × Φ(xβ/σ)'dır, burada Φ standart normal CDF'dir. Marjinal etkilerin sonsal dağılımını elde etmek için her sonsal örneklem için bunu hesaplayın.
Bayesci Tobit'i sağ sansürlü veriler için kullanabilir miyim?
Evet. Veri artırımı adımı, yalnızca sol yerine sağ kuyruktan kesilmiş normal değerler örnekler ve sansürleme göstergesi buna göre ayarlanır. Diğer tüm mekanikler aynı kalır.
Ne zaman bunun yerine bir Heckman modeli kullanmalıyım?
Sonucun gözlemlenip gözlemlenmediğinin kendisinin bir seçim veya ölçüm sürecinden farklı bir seçilim süreci olduğu durumlarda bir Heckman (örneklem seçimi) modeli kullanın — örneğin, ücretler yalnızca istihdam edilen bireyler için gözlemlenir. Sıfırlar yalnızca ölçümdeki bir tabandan kaynaklanıyorsa (örneğin, harcama negatif olamaz), Tobit uygundur.
Kaynaklar
- Tobin, J. (1958). Estimation of relationships for limited dependent variables. Econometrica, 26(1), 24–36. DOI: 10.2307/1907382 ↗
- Chib, S. (1992). Bayes inference in the Tobit censored regression model. Journal of Econometrics, 51(1–2), 79–99. DOI: 10.1016/0304-4076(92)90030-U ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Tobit Model. ScholarGate. https://scholargate.app/tr/statistics/bayesian-tobit-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesçi Genelleştirilmiş Doğrusal Modelİstatistik↔ karşılaştır
- Bayesçi Çoklu Doğrusal Regresyonİstatistik↔ karşılaştır
- Bayesçi Probit Modeliİstatistik↔ karşılaştır
- Tobit Sansürlü Regresyon ModeliEkonometri↔ karşılaştır
- Sıfır-Şişirilmiş Modelİstatistik↔ karşılaştır