41. Rastgele etkili panel Tobit (sansürlü panel regresyonu)
Şablon kimliği: panel_tobit · Kategori: model · Dil: R · Dosya: pro/sablonlar/model/panel_tobit.R (satır 1–199; üstbilgi 1–100) · Örnek veri: _ornek/tobit_panel.csv · Paketler: censReg 0.5-40 (maxLik), plm 2.6-7
41.1 Ne işe yarar
Şablon, bir sınırda yığılan (sansürlü) sürekli bir yanıtı, aynı birimlerin yinelenerek gözlendiği veride modeller. Cevapladığı soru şudur: "Yanıtın bir bölümü alt (ya da üst) sınırda gözlenmişken ve aynı birimin gözlemleri birbirine bağımlıyken, açıklayıcıların asıl (gizil) yanıta etkisi nedir; toplam değişkenliğin ne kadarı birimler arası kalıcı farktan gelir?"
- y_{it}^{*}: gizil yanıt; sansür olmasaydı gözlenecek değer. i=1,\dots,G birim, t=1,\dots,T_i dönem.
- y_{it}: gözlenen yanıt. y^{*}\le a ise a (soldan sansür), y^{*}\ge b ise b (sağdan sansür) kaydedilmiştir.
- \mu_i: birim etkisi; birimin bütün dönemlerinde ortak, açıklayıcılardan bağımsız rastgele sapma.
- \nu_{it}: dönemden döneme değişen hata; \mu_i'den ve birbirinden bağımsız.
- \rho=\sigma_\mu^2/(\sigma_\mu^2+\sigma_\nu^2): sınıf içi korelasyon; gizil yanıtın açıklanmayan değişkenliğinde birimler arası farkın payı.
Ne zaman kullanılır? Yanıt sürekli ama bir sınırda yığılmışsa (harcamada sıfır, ölçüm sınırının altındaki derişim, tavanı olan puan); aynı birim en az iki dönem gözlenmişse; birim etkisinin açıklayıcılarla ilişkisiz olduğu kabul edilebiliyorsa.
Ne zaman kullanılmaz?
- Her birim tek kez gözlenmişse: temel programdaki Tobit Regresyon (Sansürlü).
- Sansürlü gözlem yoksa: şablon çalışmaz (satır 129); temel programdaki LMM (Doğrusal Karma Modeller) ya da Panel Veri Regresyonu.
- Sınırdaki değerler sansür değil, ayrı bir kararın sonucuysa (hiç tüketmeme):
cift_engel(Bölüm 31). - Yanıt sayımsa:
panel_sayim(Bölüm 40). - Sınır dışındaki gözlemler veride hiç yoksa (kesilmiş örneklem): model sansür içindir; temel programdaki Örneklem Seçimi ve Kesik Regresyon (Heckman) analizinin kesik regresyon seçeneği tek kesit için kullanılır.
- Birim etkisinin açıklayıcılarla ilişkili olduğu düşünülüyorsa: şablon sabit etkili kestirici vermez; açıklayıcıların birim ortalamaları modele eklenerek (Mundlak, 1978) ilişki denetlenebilir (41.9 S4).
Temel programla ilişki. Temel programın Tobit analizi kesit veride aynı sansür modelini kurar, ama aynı birimin gözlemlerini bağımsız sayar. Bu şablon birim etkisini ekler ve onu Gauss-Hermite karelemesiyle integralleyerek çıkarır; birim etkisi olmayan modeli ("havuzlanmış Tobit") karşılaştırma olarak ayrıca kestirir ve ikisini olabilirlik oranıyla sınar.
41.2 Şablonun girdileri
Form, üstbilgideki on üç [[param]] bloğundan kurulur (panel_tobit.R:10–106).
| Alan (form etiketi) · ad | Tür · sekme | Varsayılan | Geçerli değerler | Kodda etkisi |
|---|---|---|---|---|
Sansürlü yanıt · y |
sayısal sütun · Değişkenler | ilk sayısal sütun | sayısal; sınırların içinde | Yanıt (118, 126–128). |
Açıklayıcı değişkenler · x |
sütunlar · Değişkenler | — | en az 1 sütun | Formülün sağ yanı; sabit terim kendiliğinden (113, 143). |
Birim · birim |
kategorik sütun · Değişkenler | ilk uygun sütun | herhangi bir sütun, ≥ 3 düzey | pdata.frame birim dizini (137, 146). |
Zaman · zaman |
sütun · Değişkenler | boş | herhangi bir sütun; boş olabilir | Dönem dizini; boşsa birim içi sıra numarası (112, 140). |
Alt sansür sınırı a · alt_sinir |
ondalık · Model | 0 | −10⁹ … 10⁹ | left = a (119, 149). |
Soldan sansür · alt_sansur |
onay · Model | açık | açık / kapalı | Kapalıysa left = −Inf (119). |
Sağdan da sansürlü · ust_sansur |
onay · Model | kapalı | açık / kapalı | Açıksa right = b, değilse Inf (124). |
Üst sansür sınırı b · ust_sinir |
ondalık · Model | 1 | −10⁹ … 10⁹ | Yalnız ust_sansur açıkken (124). |
Gauss-Hermite düğüm sayısı · dugum |
tamsayı · Gelişmiş | 8 | 2–64 | nGHQ (149). |
En iyileme yöntemi · yontem |
seçim · Gelişmiş | BHHH |
BHHH, NR, BFGS, BFGSR, NM |
method (149); standart hatanın türünü de belirler. |
En çok yineleme · en_cok_yineleme |
tamsayı · Gelişmiş | 0 | 0–100000 | 0'dan büyükse iterlim (121, 150). |
Yakınsama toleransı · tolerans |
ondalık · Gelişmiş | 0 | 0–0,01 | 0'dan büyükse tol (122, 150). |
Toleransı göreli ölçüte de uygula · tolerans_gorece |
onay · Gelişmiş | kapalı | açık/kapalı | Açık ve tolerans > 0 ise aynı değer reltol olarak da verilir (150). |
Havuzlanmış Tobit karşılaştırması · havuz_karsilastir |
onay · Çıktı | açık | açık / kapalı | Havuz modeli, LR testi ve üçüncü tablo (123, 162–182). |
Örnek ayar (ornek_param, satır 9): y = y, x = x1, x2, birim = id, zaman = time, alt_sinir = 0, ust_sansur kapalı, dugum = 8, yontem = BHHH. Seçeneklerin hepsi varsayılandadır.
Şablonun kendi denetimleri.
| Koşul | İleti (özet) | Satır |
|---|---|---|
| Veri açık değil | "Önce Veri sekmesinde bir veri açın." | 104 |
| Yanıt, birim ve zaman dışında açıklayıcı kalmadı | "en az bir açıklayıcı değişken seçin" | 107 |
| Tam satır sayısı < 10 | "En az 10 tam satır gerekli." | 110 |
| Yanıt sayısal değil | "Yanıt sayısal olmalı." | 111 |
| Soldan sansür kapalı, sağdan sansür de kapalı | "en az bir sansür sınırı gerekli" | 113 |
| b\le a | "Üst sınır alt sınırdan büyük olmalı." | 118 |
| Yanıtta a'dan küçük ya da b'den büyük değer | "bazı değerleri sansür sınırlarının dışında" | 120 |
| Sınırda hiç gözlem yok | "Sansürlü gözlem yok; Tobit yerine doğrusal karma model kullanın." | 122 |
| Sansürsüz gözlem < açıklayıcı sayısı + 3 | "Sansürsüz gözlem sayısı model için yetersiz." | 123 |
| Bir açıklayıcı sabit ya da tek düzeyli | "'…' sabit (tek düzeyli)" | 127–128 |
| Birim sayısı < 3 | "Birimde en az 3 düzey gerekli." | 131 |
| Satır sayısı ≤ birim sayısı | "Birimlerde tekrarlı gözlem yok" | 132 |
| Aynı birim–zaman çifti yineleniyor | "birden çok kez geçiyor" | 134 |
| Tasarım matrisi tam ranklı değil | "doğrusal bağımlı (eş doğrusallık)" | 138 |
censReg hata verdi |
"Model kurulamadı: …" | 144 |
| Kestirim ya da SH sonlu değil | "model yakınsamadı (birim etkisi tanımlanamıyor olabilir)" | 149 |
Eksik değer: yanıt, açıklayıcılar, birim ya da zamanda eksik olan satır liste bazında atılır (complete.cases, satır 116). Sansür sayımı değerle yapılır: y\le a olan gözlem soldan, y\ge b olan sağdan sansürlü sayılır (128); ayrı bir sansür göstergesi sütunu yoktur. Metin ve mantıksal açıklayıcılar factor yapılır (132).
41.3 Örnek veri
Dosya: _ornek/tobit_panel.csv. censReg paket belgesindeki (Henningsen) yapay paneldir; belgede verilen kodla, tohum 123 ile üretilmiştir: 15 birim × 4 dönem (1981–1984) = 60 gözlem. Üretim modeli y^{*}=-1+\mu_i+2x_1+3x_2+\nu_{it}, \mu_i,\nu_{it}\sim N(0{,}1), y=\max(0,y^{*})'dır; yani gerçek değerler \boldsymbol\beta=(-1,\ 2,\ 3), \sigma_\mu=\sigma_\nu=1, \rho=0{,}5 olarak bilinir. Eksik değer yoktur.
| Değişken | Rol | Tür (veri sekmesi) | Özet |
|---|---|---|---|
y |
Yanıt | sayısal | 20 gözlem 0 (soldan sansürlü), 40 gözlem pozitif; ortalama 1,281, en büyük 5,038. |
x1 |
Açıklayıcı | sayısal | Ortalama −0,005, standart sapma 0,960. |
x2 |
Açıklayıcı | sayısal | 0–1 arası; ortalama 0,504. |
id |
Birim | kategorik (15 düzey) | F_1 … F_15; her birimde 4 gözlem (dengeli panel). |
time |
Zaman | sayısal | 1981–1984. |
Birim başına sansürlü gözlem sayısı 0 ile 3 arasındadır (F_2, F_8 ve F_14'te 3; F_4, F_6 ve F_12'de 0). Birim etiketlerinin düzey sırası (ilk görülme: F_1, F_2, …) sonucu etkilemez; birim yalnız gözlemleri gruplamak için kullanılır.
Bu bölümde kullanılan çalıştırmalar: (1) örnek ayar (BHHH, 8 düğüm); (2) Newton-Raphson, 8 düğüm; (3–5) Newton-Raphson, 16, 32 ve 64 düğüm; (6) BHHH, 32 düğüm; (7) dengesiz panel: 5 satırı silinmiş kopya (55 gözlem), Newton-Raphson; (8) iki yanlı sansür: yanıtı 3'te kırpılmış kopya, a=0, b=3, Newton-Raphson.
41.4 Yöntem: formüller ve hesap adımları
Şablonun hesap sırası: (1) eksik satırları at, sınırları ve sansür sayılarını denetle; (2) birim ve zaman dizinleriyle panel veri çerçevesi kur; (3) rastgele etkili Tobit'i censReg ile kestir; (4) \sigma_\mu, \sigma_\nu, \rho, AIC ve BIC'i hesapla; (5) istenmişse havuzlanmış Tobit'i kestir ve LR testini kur; (6) tabloları, notu ve şekli yaz.
41.4.1 Tek gözlemin katkısı
\mu_i biliniyor olsaydı, her gözlemin olabilirlik katkısı sıradan Tobit'teki gibi olurdu:
- Sansürsüz gözlemde değer bilinir: normal yoğunluk kullanılır.
- Sansürlü gözlemde yalnız "sınırın ötesinde" olduğu bilinir: o bölgenin olasılığı kullanılır.
- \phi, \Phi: standart normal yoğunluk ve dağılım fonksiyonu.
Neden sınırdaki değerler atılmaz ya da olduğu gibi kullanılmaz?
Sınırdaki gözlemler atılırsa kalan örneklem yanıtı yüksek olanlardan oluşur ve eğimler sıfıra doğru yanlı çıkar. Olduğu gibi kullanılırsa (sıradan regresyon) sınırdaki değer gizil değerin yerine konmuş olur; yine eğimler küçülür. Tobit olabilirliği iki bilgiyi de kendi türünde kullanır: gözlenen değerin yoğunluğu ve sansürlenenin olasılığı. Örnek veride gerçek eğimler 2 ve 3'tür; 60 gözlemle kestirimler 1,68 ve 2,24'tür ve gerçek değerler %95 aralıkların içindedir.
41.4.2 Birimin olabilirliği ve Gauss-Hermite karelemesi
\mu_i gözlenmez; birimin olabilirliği \mu_i'nin dağılımı üzerinden ortalamadır:
- x_k, w_k: Q noktalı Gauss-Hermite düğümleri ve ağırlıkları; \int e^{-x^2}g(x)\,dx\approx\sum_kw_kg(x_k) kuralından gelir.
- \mu=\sqrt2\,\sigma_\mu x değişken dönüşümü normal yoğunluğu e^{-x^2}/\sqrt\pi biçimine getirir; 1/\sqrt\pi çarpanı buradan gelir.
- Çarpım aynı birimin dönemleri üzerindendir: \mu_i ortak olduğundan dönemler ancak \mu'ye koşullu olarak bağımsızdır. Dönem sayısı birimden birime değişebilir (dengesiz panel).
Kareleme uyarlamasızdır; düğüm sayısı sonucu değiştirir
Düğümler her birim için aynı yerde, sıfırın çevresindedir; integrandın tepesi (birimin sonsal \mu_i değeri) sıfırdan uzaksa az düğüm tepeyi kaçırır. Hata \sigma_\mu büyüdükçe ve birim başına gözlem arttıkça büyür. Örnek veride 8 düğüm x_2 katsayısını 2,2405, 32 ve 64 düğüm 2,2636 verir; \ln\sigma_\mu −0,1295'ten −0,1140'a kayar (41.6, Adım 8). Paketin varsayılanı 8'dir; şablon her çalıştırmada kararlılığın daha çok düğümle denetlenmesini hatırlatan bir not yazar (satır 183–184).
41.4.3 Parametreler ve türetilen büyüklükler
censReg iki standart sapmayı logaritmalarıyla kestirir; katsayı tablosunun son iki satırı logSigmaMu ve logSigmaNu'dur. Şablon bunlardan
değerlerini hesaplar (satır 159, 173).
Neden logaritma ölçeği?
Standart sapma pozitif olmak zorundadır; \ln\sigma ise bütün gerçek sayıları alabilir. En iyileme sınır kısıtı olmadan çalışır ve adımlar negatif \sigma'ya düşmez. Bedeli: tablodaki z ve p değerleri "\ln\sigma=0", yani "\sigma=1" hipotezini sınar; "\sigma_\mu=0" (birim etkisi yok) hipotezini sınamaz. O hipotez için LR testi kullanılır (41.4.5).
41.4.4 En iyileme ve standart hatalar
Koddaki tercih
Model censReg(formula, left = a, right = b, data = pdata.frame(…), method = …, nGHQ = …) çağrısıyla kurulur (satır 148–153); veri plm::pdata.frame olduğu için censReg rastgele etkili panel modelini seçer. En iyilemeyi maxLik yapar. Varsayılan yöntem BHHH'dir (paket belgesindeki örnekle aynı sonuç için). "En çok yineleme" maxLik'in iterlim, "Yakınsama toleransı" tol (ardışık log-olabilirlik değerlerinin mutlak farkı) seçeneğine aktarılır (150). R uyarıları toplanıp "Uyarılar" satırında yazılır (152, 192). maxLik'in dönüş kodu da okunur: kod 1 (gradyan sıfıra yakın), 2 ve 8 (ardışık işlev değerleri tolerans içinde) yakınsama sayılır; başka bir kod (ör. 4, yineleme sınırı) "en büyükleme yakınsamadı" uyarısıyla bildirilir (185–189).
Standart hatanın türü yönteme bağlıdır. \mathbf g_i=\partial\ln L_i/\partial\boldsymbol\theta birimin skor vektörü olsun:
- BHHH (Berndt, Hall, Hall ve Hausman, 1974): Hessian yerine skorların dış çarpımını kullanır; hem adım yönünü hem kovaryansı bundan alır.
- NR (Newton-Raphson): gerçek ikinci türev matrisi (gözlenen bilgi).
- Toplam birimler üzerindendir: örnek veride 15 terim. Model doğruysa iki matris büyük örneklemde aynı şeyi kestirir; az birimde dış çarpım belirgin oynar.
Paket varsayılanı ile en büyük nokta arasındaki fark
BHHH varsayılan ayarda ardışık log-olabilirlik değerlerinin göreli farkı ölçütüyle durur. Örnek veride 15 yinelemede durduğu nokta en büyük noktadan dördüncü ondalıkta ayrılır (sabit −0,365405 ↔ −0,365623; x_2 2,240303 ↔ 2,240544); log-olabilirlik farkı 2\times10^{-7}'dir ve yorum değişmez. Tam yakınsama ve Hessian'a dayalı standart hata isteniyorsa yöntem Newton-Raphson seçilir. Tolerans alanı mutlak fark ölçütünü ayarlar; BHHH'nin durmasını belirleyen göreli ölçüt olduğundan bu alanı küçültmek BHHH sonucunu değiştirmez.
41.4.5 Havuzlanmış Tobit ve birim etkisi için LR testi
Birim etkisi olmayan model (\sigma_\mu=0) aynı formül ve sınırlarla, panel dizini verilmeden kestirilir (satır 162). İki modelin log-olabilirliklerinden:
- H_0:\sigma_\mu=0. Varyans negatif olamadığından sıfır hipotezi parametre uzayının sınırındadır; LR'nin dağılımı yarı yarıya 0 noktası ile \chi^2_1'in karışımıdır (Self ve Liang, 1987) ve kuyruk olasılığı yarıya iner.
- \mathrm{LR}\le0 çıkarsa birim etkisine dair kanıt yoktur; karışım dağılımında p değeri 1'dir (şablon bu durumda 1 yazar, satır 174; LR negatifse çıktıya ayrıca uyarı yazılır, 180–181).
Havuz modeli her zaman BHHH ile ve paket varsayılanlarıyla kestirilir; ana model için seçilen yöntem, yineleme ve tolerans ayarları ona uygulanmaz. Uyum ölçütleri: \mathrm{AIC}=-2\ell+2k, \mathrm{BIC}=-2\ell+k\ln n; k katsayı tablosunun satır sayısıdır (örnekte 5), n gözlem sayısıdır (160, 173–174). Çıktı bu durumda havuz modelinin seçilen yöntemden bağımsız kurulduğunu bir not satırıyla söyler. "Toleransı göreli ölçüte de uygula" seçeneği (varsayılan kapalı) açılıp tolerans 1e-12 verilirse BHHH, varsayılan göreli ölçütle durduğu noktadan değil en büyük olabilirlik noktasına yaklaşır: örnek veride kestirimler bağımsız bir Newton-Raphson çözümüyle 2\times10^{-5} içinde aynıdır; seçenek kapalıyken tolerans BHHH'de etkisizdir.
41.5 Kod adım adım
| Satırlar | Ne yapar | Neden / dikkat |
|---|---|---|
| 1–100 | Üstbilgi: kimlik, açıklama, örnek veri ve ayar, on üç parametre. | Form buradan kurulur (Bölüm 1.2). |
| 101–102 | .m() ileti seçici; censReg ve plm yüklenir. |
maxLik censReg ile birlikte gelir. |
| 104–123 | Açıklayıcı listesi; liste bazında eksik silme; a ve b; sınır dışı değer denetimi; sansür sayıları. | Soldan sansür kapalıysa a=-\infty; sağdan sansür kapalıysa b=\infty. |
| 124–138 | Açıklayıcıların sabitliği; .birim ve .zaman sütunları; yinelenen birim–zaman denetimi; formül ve rank. |
Zaman boşsa birim içi sıra numarası üretilir (140); model zaman değerini kullanmaz, yalnız çiftin tekil olmasını ister. |
| 139–149 | pdata.frame; kur() ile censReg; özet tablosu; sonluluk denetimi. |
Hata çevrilmiş iletiye dönüşür (151). |
| 150–153 | Katsayı tablosu; \hat\sigma_\mu, \hat\sigma_\nu; log-olabilirlik ve k. | Tablo adında yöntem ve düğüm sayısı yazılır (158). |
| 154–167 | Havuzlanmış Tobit; LR; "Varyans bileşenleri ve model uyumu" tablosu. | Karşılaştırma kapalıysa son üç satır tablodan çıkarılır (176). |
| 168–182 | Havuz modeli tablosu (178–182); kareleme notu (183–184); maxLik dönüş kodu uyarıları (185–189); negatif LR uyarısı (190–191); R uyarıları (192). | Havuz tablosunda z sütunu yoktur (180); kod 1, 2 ve 8 yakınsama sayılır (185). |
| 183–189 | Şekil: \mathbf x^{\top}\hat{\boldsymbol\beta}'ya karşı y; sansürlü gözlemler içi boş gri. | Kesikli çizgi sınır(lar), düz çizgi y=\mathbf x^{\top}\hat{\boldsymbol\beta} (birim etkisi 0). |
41.6 Elle hesap: örnek veride bağımsız yeniden hesap
Ara değerler dogrulama/panel_tobit/elle_hesap.py ile, censReg, plm ve maxLik kullanılmadan hesaplanmıştır: 41.4.2'deki olabilirlik numpy ile yazılmış, Newton-Raphson ile en büyüklenmiş, standart hatalar hem sayısal Hessian'dan hem birim skorlarının dış çarpımından alınmıştır. R tarafında (r_dogrulama.R) aynı olabilirlik taban R ile yazılmış (düğümler statmod), nlminb ve numDeriv ile çözülmüştür; havuzlanmış Tobit survival::survreg ile kurulmuştur.
Adım 1 — Sayılar. n=60, G=15, T_i=4; soldan sansürlü 20, sansürsüz 40, sağdan sansürlü 0.
Adım 2 — Sekiz düğüm. Düğümler simetriktir:
| k | 1, 8 | 2, 7 | 3, 6 | 4, 5 |
|---|---|---|---|---|
| x_k | ∓2,930637 | ∓1,981657 | ∓1,157194 | ∓0,381187 |
| w_k | 0,000199604 | 0,017077983 | 0,207802326 | 0,661147013 |
Adım 3 — Bir birimin katkısı (F_1). En çok olabilirlik noktasında (Adım 5) \hat\sigma_\mu=0{,}878493 ve \hat\sigma_\nu=0{,}987669. F_1'in dört gözlemi y=(4{,}5107;\ 0{,}1429;\ 0;\ 0{,}2014), doğrusal yordayıcıları \mathbf x^{\top}\hat{\boldsymbol\beta}=(4{,}5352;\ 1{,}5855;\ -2{,}8004;\ 1{,}3648)'dir; üçüncü gözlem sansürlüdür. Düğümlerdeki birim etkisi \mu_k=\sqrt2\,\hat\sigma_\mu x_k ve dört gözlemin çarpımı:
| k | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |
|---|---|---|---|---|---|---|---|---|
| \mu_k | −3,6410 | −2,4620 | −1,4377 | −0,4736 | 0,4736 | 1,4377 | 2,4620 | 3,6410 |
| \prod_tf_{1t}(\mu_k) | 2,9·10⁻⁷ | 7,757·10⁻⁴ | 0,022782 | 0,028762 | 0,002217 | 9,0·10⁻⁶ | 8,4·10⁻¹⁰ | 1,7·10⁻¹⁶ |
Çarpım \mu\approx-1 dolayında en büyüktür: F_1'in yanıtları, açıklayıcılarının öngördüğünden düşüktür (ikinci ve dördüncü gözlemde 0,14 ve 0,20; yordayıcı 1,59 ve 1,36).
Adım 4 — Log-olabilirlik. On beş birimin katkıları toplanır (ilk üçü −4,2520; −1,6557; −4,3939): \ell=-73{,}198823.
Adım 5 — En çok olabilirlik kestirimi (8 düğüm).
| Sabit | x_1 | x_2 | \ln\sigma_\mu | \ln\sigma_\nu | |
|---|---|---|---|---|---|
| \hat\theta | −0,365623 | 1,680004 | 2,240544 | −0,129547 | −0,012408 |
| SH (Hessian) | 0,474457 | 0,209222 | 0,673889 | 0,258070 | 0,129690 |
| SH (dış çarpım) | 0,555055 | 0,293772 | 0,729496 | 0,295021 | 0,140133 |
Dış çarpım standart hataları Hessian'dakilerden %8 ile %40 arasında büyüktür; en büyük fark x_1'dedir (z: 5,72 ↔ 8,03).
Adım 6 — Varyans bileşenleri. \hat\sigma_\mu=e^{-0{,}129547}=0{,}878493; \hat\sigma_\nu=e^{-0{,}012408}=0{,}987669;
Adım 7 — Havuzlanmış Tobit ve LR. Birim etkisiz modelin en büyük log-olabilirliği -77{,}799952 (sabit −0,225615; x_1 1,581812; x_2 2,039694; \ln\sigma 0,256512).
Adım 8 — Düğüm sayısının etkisi (Newton-Raphson).
| Düğüm | x_1 | x_2 | \ln\sigma_\mu | \hat\rho | \ell |
|---|---|---|---|---|---|
| 8 | 1,680004 | 2,240544 | −0,129547 | 0,4417 | −73,198823 |
| 16 | 1,683973 | 2,263681 | −0,112897 | 0,4506 | −73,187661 |
| 32 | 1,683781 | 2,263626 | −0,114038 | 0,4499 | −73,189144 |
| 64 | 1,683781 | 2,263626 | −0,114037 | 0,4499 | −73,189144 |
32 düğümden sonra sonuç altı ondalıkta değişmez. Sekiz düğümün log-olabilirlikteki kareleme hatası aynı parametre değerlerinde 0,0064'tür (-73{,}19882 ↔ 64 düğümle -73{,}19242); katsayıya etkisi en çok 0,023'tür ve standart hatanın otuzda biridir.
41.6.1 Doğrulama: MerQuR+, Python ve R
MerQuR+ sütunu şablonun tablolarından tam hassasiyetle alınmıştır (çalıştırmalar 1–5, 7 ve 8).
| Büyüklük | MerQuR+ | Python (bağımsız) | R (bağımsız) | En büyük fark | |
|---|---|---|---|---|---|
| NR, 8 düğüm: sabit | −0,36562313 | −0,36562313 | −0,36562313 | 3,6e−9 | ✓ |
| NR, 8 düğüm: x_1 | 1,680004 | 1,680004 | 1,680004 | 2,1e−10 | ✓ |
| NR, 8 düğüm: x_2 | 2,24054376 | 2,24054376 | 2,24054376 | 2,1e−9 | ✓ |
| NR, 8 düğüm: \ln\sigma_\mu | −0,12954703 | −0,12954703 | −0,12954703 | 2,9e−10 | ✓ |
| NR, 8 düğüm: \ln\sigma_\nu | −0,01240809 | −0,01240809 | −0,01240809 | 5,7e−11 | ✓ |
| NR, 8 düğüm: SH(sabit) (Hessian) | 0,47445724 | 0,47445726 | 0,47445724 | 2,3e−8 | ✓ |
| NR, 8 düğüm: SH(x_1) (Hessian) | 0,2092223 | 0,2092223 | 0,2092223 | 2,0e−9 | ✓ |
| NR, 8 düğüm: SH(x_2) (Hessian) | 0,67388863 | 0,67388865 | 0,67388863 | 2,7e−8 | ✓ |
| NR, 8 düğüm: SH(\ln\sigma_\mu) (Hessian) | 0,25807038 | 0,25807037 | 0,25807038 | 3,1e−9 | ✓ |
| NR, 8 düğüm: SH(\ln\sigma_\nu) (Hessian) | 0,12968979 | 0,12968979 | 0,12968979 | 6,3e−10 | ✓ |
| NR, 8 düğüm: z(x_1) | 8,0297558 | 8,02975573 | 8,0297558 | 9,3e−9 | ✓ |
| NR, 8 düğüm: p(x_2) | 8,848252·10−4 | 8,848256·10−4 | — | 4,0e−10 | ✓ |
| NR, 8 düğüm: \sigma_\mu | 0,87849328 | 0,87849328 | 0,87849328 | 2,5e−10 | ✓ |
| NR, 8 düğüm: \sigma_\nu | 0,98766857 | 0,98766857 | 0,98766857 | 5,6e−11 | ✓ |
| NR, 8 düğüm: \rho | 0,44169696 | 0,44169696 | 0,44169696 | 1,1e−10 | ✓ |
| NR, 8 düğüm: log-olabilirlik | −73,19882302 | −73,19882302 | −73,19882302 | 2,7e−15 | ✓ |
| NR, 8 düğüm: AIC | 156,39764604 | 156,39764604 | — | 1,1e−15 | ✓ |
| NR, 8 düğüm: BIC | 166,86936885 | 166,86936885 | — | 4,1e−15 | ✓ |
| Havuzlanmış Tobit log-olabilirliği | −77,79995265 | −77,79995223 | −77,79995223 | 5,3e−9 | ✓ |
| LR (\sigma_\mu=0) | 9,20225926 | 9,20225843 | 9,20225843 | 9,0e−8 | ✓ |
| LR p (karışım) | 0,00120858 | 0,00120858 | 0,00120858 | 5,5e−10 | ✓ |
| NR, 16 düğüm: x_1 | 1,68397321 | 1,68397321 | 1,68397321 | 6,2e−11 | ✓ |
| NR, 16 düğüm: x_2 | 2,26368067 | 2,26368067 | 2,26368067 | 3,7e−11 | ✓ |
| NR, 16 düğüm: \ln\sigma_\mu | −0,11289667 | −0,11289667 | −0,11289667 | 6,6e−10 | ✓ |
| NR, 16 düğüm: log-olabilirlik | −73,18766082 | −73,18766082 | −73,18766082 | 1,9e−15 | ✓ |
| NR, 32 düğüm: x_1 | 1,68378131 | 1,68378131 | 1,68378131 | 2,4e−11 | ✓ |
| NR, 32 düğüm: x_2 | 2,26362588 | 2,26362588 | 2,26362588 | 5,7e−10 | ✓ |
| NR, 32 düğüm: \ln\sigma_\mu | −0,11403801 | −0,11403801 | −0,11403801 | 7,3e−10 | ✓ |
| NR, 32 düğüm: log-olabilirlik | −73,18914412 | −73,18914412 | −73,18914412 | 2,3e−15 | ✓ |
| NR, 64 düğüm: x_2 | 2,26362608 | 2,26362608 | — | 2,2e−10 | ✓ |
| NR, 64 düğüm: log-olabilirlik | −73,1891438 | −73,1891438 | — | 2,1e−15 | ✓ |
| Örnek ayar (BHHH): durma noktasında log-olabilirlik | −73,19882325 | −73,19882325 | — | 2,3e−15 | ✓ |
| Örnek ayar (BHHH): SH(sabit) (dış çarpım) | 0,55503432 | 0,55503432 | — | 1,4e−10 | ✓ |
| Örnek ayar (BHHH): SH(x_1) (dış çarpım) | 0,29375934 | 0,29375934 | — | 1,8e−11 | ✓ |
| Örnek ayar (BHHH): SH(x_2) (dış çarpım) | 0,72944657 | 0,72944657 | — | 1,7e−10 | ✓ |
| Örnek ayar (BHHH): SH(\ln\sigma_\mu) (dış çarpım) | 0,29503617 | 0,29503617 | — | 4,3e−12 | ✓ |
| Örnek ayar (BHHH): SH(\ln\sigma_\nu) (dış çarpım) | 0,14013093 | 0,14013093 | — | 3,7e−12 | ✓ |
| Örnek ayar (BHHH) kestirimi ↔ en büyük nokta: sabit | −0,36540519 | −0,36562313 | −0,36562313 | 2,2e−4 | ✗ |
| Örnek ayar (BHHH) kestirimi ↔ en büyük nokta: x_1 | 1,67990255 | 1,680004 | 1,680004 | 6,0e−5 | ✗ |
| Örnek ayar (BHHH) kestirimi ↔ en büyük nokta: x_2 | 2,24030264 | 2,24054376 | 2,24054376 | 1,1e−4 | ✗ |
| Havuzlanmış Tobit (BHHH) ↔ en büyük nokta: x_1 | 1,58200527 | 1,58181213 | 1,58181213 | 1,2e−4 | ✗ |
| Dengesiz panel: sabit | −0,19376081 | −0,19376081 | −0,19376081 | 4,7e−10 | ✓ |
| Dengesiz panel: x_1 | 1,72772042 | 1,72772042 | 1,72772042 | 3,7e−11 | ✓ |
| Dengesiz panel: x_2 | 1,97181081 | 1,97181081 | 1,97181081 | 5,2e−11 | ✓ |
| Dengesiz panel: \ln\sigma_\mu | −0,09644109 | −0,09644109 | −0,09644109 | 1,8e−10 | ✓ |
| Dengesiz panel: \ln\sigma_\nu | 0,00829552 | 0,00829552 | 0,00829552 | 4,6e−10 | ✓ |
| Dengesiz panel: SH(x_1) | 0,23001129 | 0,23001128 | 0,23001129 | 3,7e−9 | ✓ |
| Dengesiz panel: log-olabilirlik | −67,74688427 | −67,74688427 | −67,74688427 | 1,9e−15 | ✓ |
| İki yanlı sansür: sabit | −0,2355357 | −0,2355357 | −0,2355357 | 5,8e−10 | ✓ |
| İki yanlı sansür: x_1 | 1,8933052 | 1,8933052 | 1,8933052 | 1,3e−10 | ✓ |
| İki yanlı sansür: x_2 | 1,97232581 | 1,97232581 | 1,97232581 | 3,8e−10 | ✓ |
| İki yanlı sansür: \ln\sigma_\mu | 0,00177691 | 0,00177691 | 0,00177691 | 8,0e−10 | ✓ |
| İki yanlı sansür: \ln\sigma_\nu | 0,05288687 | 0,05288687 | 0,05288687 | 3,3e−11 | ✓ |
| İki yanlı sansür: SH(x_1) | 0,30113971 | 0,3011397 | 0,30113961 | 9,5e−8 | ✓ |
| İki yanlı sansür: log-olabilirlik | −64,31272479 | −64,31272479 | −64,31272479 | 3,1e−15 | ✓ |
Ölçütü karşılayan: 51/55. Python: Gauss-Hermite olabilirliği numpy ile yazılmış, Newton-Raphson, SH sayısal Hessian'dan ve birim skorlarının dış çarpımından (censReg, plm ve maxLik kullanılmadan). R: aynı olabilirlik taban R ile (düğümler statmod::gauss.quad), nlminb + numDeriv; havuzlanmış Tobit survival::survreg.
Ölçütü karşılamayan dört satır aynı nedene dayanır: BHHH göreli ölçütle durduğunda nokta, en büyük noktadan 10^{-4} düzeyinde uzaktadır (41.4.4). Örnek ayarın (BHHH) kestirimleri ile havuzlanmış Tobit'in katsayıları bu yüzden bağımsız hesabın tam yakınsamış değerlerinden dördüncü ondalıkta ayrılır. "Örnek ayar (BHHH)" başlıklı ilk altı satır aynı çalıştırmayı kendi durma noktasında denetler: o noktadaki log-olabilirlik ve dış çarpım standart hataları bağımsız hesapla 10^{-9} içinde aynıdır. Newton-Raphson çalıştırmaları, dengesiz panel ve iki yanlı sansür dahil, üç yolda 10^{-7} içinde örtüşür.
41.7 Çıktıyı okuma
Örnek ayarın konsol metni:
Uyarlamasız Gauss-Hermite kareleme 8 düğümle; sonuçların kararlılığını daha çok düğümle (ör. 16, 32) denetleyin.
Tablolar (şablonun tablolarından, dört ondalığa yuvarlanmış):
Rastgele etkili Tobit katsayıları (BHHH, 8 Gauss-Hermite düğümü)
terim kestirim SH z p
(Intercept) -0.3654 0.5550 -0.6583 0.5103
x1 1.6799 0.2938 5.7186 0.0000
x2 2.2403 0.7294 3.0712 0.0021
logSigmaMu -0.1295 0.2950 -0.4390 0.6607
logSigmaNu -0.0124 0.1401 -0.0887 0.9293
Varyans bileşenleri ve model uyumu
n 60 · birim sayısı 15 · soldan sansürlü 20 · sansürsüz 40 · sağdan sansürlü 0
σ_μ 0.8785 · σ_ν 0.9876 · ρ = σ_μ²/(σ_μ²+σ_ν²) 0.4417
logLik -73.1988 · AIC 156.3976 · BIC 166.8694
havuzlanmış Tobit logLik -77.8000 · LR (σ_μ = 0) 9.2023 · LR p (χ²(1)/2 karışımı) 0.0012
Havuzlanmış Tobit (karşılaştırma için, birim etkisi yok)
terim kestirim SH p
(Intercept) -0.2258 0.4717 0.6322
x1 1.5820 0.2900 0.0000
x2 2.0398 0.7441 0.0061
logSigma 0.2565 0.1114 0.0213
| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
x1, x2, (Intercept) |
Gizil yanıt denkleminin katsayıları | x_1 bir birim artınca gizil yanıt 1,68 artar. Gözlenen (sansürlü) yanıtın ortalamasındaki değişim daha küçüktür (41.9 S5). |
logSigmaMu, logSigmaNu |
\ln\sigma_\mu, \ln\sigma_\nu ve SH'leri | z ve p "\sigma=1" hipotezine aittir; birim etkisinin varlığı LR satırından okunur. |
| Tablo adı | Yöntem ve düğüm sayısı | BHHH ise SH dış çarpımdan, NR ise Hessian'dandır. |
| Sansür sayıları | Soldan, sansürsüz, sağdan | Sınır ve yön ayarının doğru girildiğinin denetimi. |
σ_μ, σ_ν, ρ |
Varyans bileşenleri ve sınıf içi korelasyon | Açıklanmayan gizil değişkenliğin %44'ü birimler arası kalıcı farktır. |
logLik, AIC, BIC |
Rastgele etkili modelin uyumu | Aynı veri, sınır ve düğüm sayısıyla kurulan modeller karşılaştırılır. |
| LR satırları | Havuz log-olabilirliği, LR, sınır düzeltmeli p | p=0{,}0012: birim etkisi gereklidir; havuzlanmış model reddedilir. |
| Havuzlanmış Tobit tablosu | Birim etkisiz modelin katsayıları | Birim etkisi yok sayılınca eğimler 1,58 ve 2,04'e düşer; logSigma toplam hata standart sapmasının logaritmasıdır (e^{0{,}2565}=1{,}29). |
| Kareleme notu | Düğüm sayısı | Her çalıştırmada yazılır; 41.4.2. |
Newton-Raphson ile (çalıştırma 2) aynı model: sabit −0,3656 (SH 0,4745), x_1 1,6800 (SH 0,2092), x_2 2,2405 (SH 0,6739); \rho 0,4417; log-olabilirlik aynı (-73{,}1988).
Şekil 41.1. Şablonun şekli (örnek ayar): doğrusal yordayıcı \mathbf x^{\top}\hat{\boldsymbol\beta} ile gözlenen yanıt. Mor dolu noktalar sansürsüz, gri içi boş noktalar sansürlü gözlemlerdir; kesikli çizgi sansür sınırı (a=0), düz çizgi y=\mathbf x^{\top}\hat{\boldsymbol\beta}. Yordayıcı pozitifken sınırda kalan gözlemler birim etkisinin (ve hatanın) negatif olduğu durumlardır.

Rapor cümlesi (çalıştırma 2; Newton-Raphson, 8 düğüm):
Yanıt 60 gözlemin 20'sinde sıfırda sansürlüydü (15 birim, 4 dönem). Rastgele etkili Tobit modelinde (8 düğümlü Gauss-Hermite karelemesi, en çok olabilirlik) gizil yanıt x₁ ile (b = 1,680, SH = 0,209, p < 0,001) ve x₂ ile (b = 2,241, SH = 0,674, p < 0,001) arttı. Birim etkisinin standart sapması 0,878, dönemsel hatanınki 0,988 kestirildi; sınıf içi korelasyon ρ = 0,442 idi. Birim etkisi olmayan havuzlanmış Tobit modeli reddedildi (LR = 9,20, sınır düzeltmeli p = 0,001). Düğüm sayısı 32'ye çıkarıldığında katsayılar 1,684 ve 2,264 oldu.
41.8 Sık hatalar ve tuzaklar
- Sınırı veriye uymayan biçimde girmek. Sansürlü gözlemler veride sınır değerine eşit kodlanmış olmalıdır. Yanıtta a'dan küçük bir değer varsa şablon durur (satır 127). Yanıt dönüştürülmüşse (ör. logaritma) sınır da aynı dönüşümle girilir.
- Sansürü kesilmeyle karıştırmak. Sınırın ötesindeki birimler veride hiç yoksa model uygun değildir; Tobit, sınırdaki gözlemlerin varlığını ve sayısını kullanır.
- Sekiz düğümle yetinmek. Kararlılık en az bir kez 16 ya da 32 düğümle denetlenir. Örnek veride fark küçüktür; birim başına gözlem ya da \sigma_\mu büyüdükçe artar.
- BHHH standart hatalarını az birimde sorgusuz kullanmak. Dış çarpım kovaryansı birim sayısı kadar terimden kurulur. On beş birimde x_1'in SH'si BHHH ile 0,294, Hessian'la 0,209'dur; güven aralığı genişliği %40 farklıdır. Az birimli panelde Newton-Raphson seçilir.
- Tolerans alanıyla BHHH'yi sıkılaştırmayı beklemek. Alan mutlak fark ölçütünü ayarlar; BHHH göreli ölçütle durur (41.4.4). Tam yakınsama için yöntem değiştirilir.
- Yineleme sınırını düşürüp sonucu kestirim saymak. "En çok yineleme" küçük verilirse en iyileme tamamlanmadan durur; şablon maxLik dönüş koduna bakar ve "en büyükleme yakınsamadı" uyarısı yazar: sınır 2 iken kod 4 ("Iteration limit exceeded") döner, örnek veride durma noktasındaki sabit −0,136 ve \rho 0,297'dir (tam yakınsamada −0,366 ve 0,442). Uyarı çıkmışsa sınır artırılır ya da alan 0'da (paket varsayılanı) bırakılır.
logSigmaMusatırının p değerinden birim etkisi yok sonucu çıkarmak. O satır \sigma_\mu=1'i sınar. Örnek veride p=0{,}66'dır, oysa LR testi birim etkisini açıkça gerekli bulur.- Katsayıyı gözlenen yanıta etki diye raporlamak. Katsayılar gizil yanıta aittir; gözlenen yanıtın beklenen değerine etki, sansürsüz kalma olasılığıyla çarpılarak küçülür.
- Birim etkisini açıklayıcılardan bağımsız varsaymayı unutmak. Model rastgele etkilidir; birim etkisi açıklayıcılarla ilişkiliyse katsayılar yanlıdır ve şablon bunu sınamaz.
- Havuz tablosunu ana tabloyla aynı türden sanmak. Havuzlanmış Tobit her zaman BHHH ile kestirilir; ana model Newton-Raphson ile kurulduğunda iki tablonun standart hataları farklı türdendir.
- Sütun türünü denetlememek. Sayısal bir açıklayıcı veri sekmesinde "kategorik" yapılırsa düzey kuklaları kestirilir; yanıt "kategorik" ise şablon durur.
41.9 Uzman soruları
S1. Uyarlamasız Gauss-Hermite karelemesi neden yetersiz kalabilir, uyarlanır olanın farkı ne?
Uyarlamasız kuralda düğümler \mu=0 çevresine, \sigma_\mu ölçeğinde yerleşir. Birimin verisi \mu_i'yi sıfırdan uzakta ve dar bir aralıkta işaret ediyorsa (çok dönem, küçük \sigma_\nu), integrandın kütlesi düğümlerin arasına düşer. Uyarlanır kural düğümleri her birimin sonsal tepesine taşır ve genişliğini sonsal yayılıma göre ayarlar (Liu ve Pierce, 1994); aynı doğruluk çok daha az düğümle sağlanır. censReg uyarlamasız kuralı uygular; telafisi düğüm sayısını artırmaktır. Örnek veride 4 dönem ve \sigma_\mu\approx0{,}9 ile 32 düğüm yeterlidir (Adım 8).
S2. BHHH ve Newton-Raphson standart hataları neden bu kadar farklı?
İkisi de bilgi matrisinin kestiricisidir: biri skorların dış çarpımı, öteki gözlenen Hessian. Bilgi eşitliği gereği beklenen değerleri aynıdır, ama dış çarpım dördüncü momente dayandığından sonlu örneklemde daha oynaktır ve burada "örneklem" 60 gözlem değil 15 birimdir. Bağımsız hesap iki matrisi aynı noktada kurar: x_1 için 0,2938 ve 0,2092. Fark modelin yanlış olduğunu göstermez; az birimde dış çarpımın güvenilmezliğini gösterir. Birim sayısı arttıkça iki değer yaklaşır.
S3. Havuzlanmış Tobit ile rastgele etkili Tobit'in katsayıları neden farklı?
Doğrusal modelde birim etkisini yok saymak katsayıları tutarlı bırakır, yalnız standart hataları bozar. Tobit'te ölçek de değişir: havuz modeli tek bir hata varyansı (\sigma^2=\sigma_\mu^2+\sigma_\nu^2) kestirir ve gözlemleri bağımsız sayar. Örnek veride havuz \hat\sigma=1{,}292, rastgele etkili modelin bileşik standart sapması \sqrt{0{,}8785^2+0{,}9876^2}=1{,}322'dir; eğimler 1,58 ↔ 1,68 ve 2,04 ↔ 2,24. Bağımlılık yok sayıldığında havuz modelinin standart hataları da iyimserdir. LR testi (p=0{,}0012) hangi modelin kullanılacağını söyler.
S4. Neden sabit etkili Tobit yok?
Doğrusal modelde birim ortalamasından sapma alınarak \mu_i yok edilir; Tobit doğrusal değildir ve böyle bir dönüşüm ya da (Poisson ve logit'teki gibi) yeterli istatistiğe koşullanma yoktur. \mu_i'leri kukla olarak kestirmek, dönem sayısı sabitken birim sayısıyla artan parametre demektir; özellikle varyans kestirimi yanlı olur. Uygulamadaki çözüm, birim etkisinin açıklayıcılarla ilişkisini modele almaktır: açıklayıcıların birim ortalamaları ek açıklayıcı olarak girilir (Mundlak, 1978). Bu sütunlar veri sekmesinde üretilip x listesine eklenerek şablonla kurulabilir; ortalamaların katsayıları birlikte anlamlıysa rastgele etki varsayımı sorgulanır.
S5. Gözlenen yanıt üzerindeki etki nasıl hesaplanır?
Soldan sıfırda sansürlü modelde, birim etkisi üzerinden ortalaması alınmış beklenen değer E(y\mid\mathbf x)=\Phi(c)\,\mathbf x^{\top}\boldsymbol\beta+\sigma_c\,\phi(c), c=\mathbf x^{\top}\boldsymbol\beta/\sigma_c, \sigma_c=\sqrt{\sigma_\mu^2+\sigma_\nu^2}'dir ve türevi \partial E(y\mid\mathbf x)/\partial x_j=\beta_j\,\Phi(c)'dir: katsayı, sansürsüz kalma olasılığıyla çarpılır. Örnek veride (Newton-Raphson, 8 düğüm) \hat\sigma_c=1{,}3218; açıklayıcıların ortalamasında \mathbf x^{\top}\hat{\boldsymbol\beta}=0{,}7553, \Phi(0{,}5714)=0{,}7161; x_1'in gözlenen yanıta etkisi 1{,}680\times0{,}7161=1{,}203, x_2'ninki 1,605'tir. Şablon bu büyüklükleri yazmaz; katsayı tablosundan elle hesaplanır.
S6. Kestirimler gerçek değerlerden (−1, 2, 3) neden bu kadar uzak?
Veri bu değerlerle üretilmiştir, ama yalnız 15 birim ve 60 gözlem vardır; üçte biri sansürlüdür. Hessian standart hatalarıyla %95 aralıklar sabit için [-1{,}30;\ 0{,}56], x_1 için [1{,}27;\ 2{,}09], x_2 için [0{,}92;\ 3{,}56]'dır ve üçü de gerçek değeri içerir. \hat\rho=0{,}44 gerçek 0,5'e yakındır. Yapay veri, yöntemin yanlılığını değil örnekleme değişkenliğini gösterir.
S7. Panel dengesizse ya da satırlar sıralı değilse sonuç etkilenir mi?
Hayır. Olabilirlik birimin eldeki dönemlerinin çarpımıdır; eksik dönem çarpıma girmez. Beş satırı silinmiş kopyada (55 gözlem, 19 sansürlü) şablon ile bağımsız hesap 10^{-8} içinde aynıdır (x_1 1,727720; \ell=-67{,}746884). Zaman sütunu verilmeden ve satırlar karıştırılarak yapılan çalıştırma örnek veriyle aynı sonucu verir: model dönemin değerini değil, yalnız hangi gözlemin hangi birime ait olduğunu kullanır. Eksikliğin yanıta bağlı olmaması (rastgele eksiklik) ayrı bir varsayımdır.
S8. İki yanlı sansürde ne değişir?
Olabilirliğe üçüncü tür katkı eklenir: y\ge b olan gözlem için 1-\Phi((b-\mathbf x^{\top}\boldsymbol\beta-\mu)/\sigma_\nu). Yanıtı 3'te kırpılmış kopyada 12 gözlem sağdan sansürlü olur; katsayılar 1,893 ve 1,972, \hat\rho=0{,}474, \ell=-64{,}312725 çıkar ve bağımsız hesapla aynıdır. Bilgi azaldığı için standart hatalar büyür (x_1: 0,209 → 0,301). Üst sınır yalnız "Sağdan da sansürlü" işaretliyken kullanılır; yalnız sağdan sansür için "Soldan sansür" kapatılır.
41.10 Kaynaklar
- Berndt, E. R., Hall, B. H., Hall, R. E., & Hausman, J. A. (1974). Estimation and inference in nonlinear structural models. Annals of Economic and Social Measurement, 3(4), 653–665.
- Butler, J. S., & Moffitt, R. (1982). A computationally efficient quadrature procedure for the one-factor multinomial probit model. Econometrica, 50(3), 761–764. https://doi.org/10.2307/1912613
- Croissant, Y., & Millo, G. (2008). Panel data econometrics in R: The plm package. Journal of Statistical Software, 27(2), 1–43. https://doi.org/10.18637/jss.v027.i02
- Croissant, Y., & Millo, G. (2018). Panel data econometrics with R. Wiley. https://doi.org/10.1002/9781119504641
- Henningsen, A. (2026). censReg: Censored regression (Tobit) models (R package version 0.5-40). https://doi.org/10.32614/CRAN.package.censReg
- Henningsen, A., & Toomet, O. (2011). maxLik: A package for maximum likelihood estimation in R. Computational Statistics, 26(3), 443–458. https://doi.org/10.1007/s00180-010-0217-1
- Liu, Q., & Pierce, D. A. (1994). A note on Gauss–Hermite quadrature. Biometrika, 81(3), 624–629. https://doi.org/10.1093/biomet/81.3.624
- Mundlak, Y. (1978). On the pooling of time series and cross section data. Econometrica, 46(1), 69–85. https://doi.org/10.2307/1913646
- Self, S. G., & Liang, K.-Y. (1987). Asymptotic properties of maximum likelihood estimators and likelihood ratio tests under nonstandard conditions. Journal of the American Statistical Association, 82(398), 605–610. https://doi.org/10.1080/01621459.1987.10478472
- Tobin, J. (1958). Estimation of relationships for limited dependent variables. Econometrica, 26(1), 24–36. https://doi.org/10.2307/1907382