删截回归模型  CENSORED---Consored or Truncated Data
    在某些情况下，被解释变量的某些取值是无法观测到的。这时候即使被解释变量是连续的，但是受到某种限制，也就是说所得到的被解释变量变量的观测值来源于总体的一个受限制的子集，并不能完全反映总体的实际特征，那么通过这样的样本观测值来推断总体的特征就需要建立受限因变量模型(limited dependent variable models)。受限因变量模型主要包括两类：删截回归模型(censored regression models)和截断回归模型(truncated regression models)。
1、一般删截回归模型
    为了更好地理解删截回归模型，这里也引入隐变量。一般的删截回归模型数据具有以下特征：
yi*=xi*βi+δ*ei*         δ为尺度参数，这也是该模型与二元选择模型的不同之处。这一参数连同其他参数一起进行估计，并在回归估计的输出结果中给出。
当yi*<=ci时,yi=ci；
当ci<yi*<di时,yi=yi*；
当yi*>=di时,yi=di
     ci、di就是所谓的删截点，分别成为左侧删截点和右侧删截点。它需要在Eviews中的left、right输入栏中给出。某一输入栏空白表示不存在这一删截点。
     Eviews还允许针对不同的个体设定不同的删截点，这时候就需要在输入栏中输入表示删截点的序列，这一序列随不同个体而变动。例如失业时间序列，有些观测样本在分析时仍然处于失业状态，这时候就可以把这个序列输入右删截点的输入栏中。
     另外，还存在这样一种情况，即知道被解释变量的哪些观测值需要删截，但是无法确定或者不容易确定具体的删截点。这时就需要创建与被解释变量观测值对应的取值为0和1的序列，即所谓的指示变量。此时，在Eviews中选定Field is zero/one indicator of censoring（Eviews默认设置是另一个选项，即默认删截点已知时），并在输入栏中输入指示变量。指示变量是针对哪侧删截的则输入哪个输入栏，当然如果两端都需要进行这种设置则两栏都可以输入各自的指示变量。
2、删截回归模型的典型代表：Tobit模型
    Tobit模型较之一般模型的特殊之处在于它的左侧删截点ci=0，而且不存在右删截点。其公式如下所示：
当yi*<=0时,yi=0；
当yi*>0时,yi=yi*
    其他的内容与一般模型类似，Tobit模型是Eviews的默认设置。
3、截断回归模型
    这一模型主要用于解决截断问题。截断问题，形象地说就是掐头或者去尾。即在很多实际问题中，不能从全部个体中抽取因变量的样本观测值，而只能从大于或小于某个数的范围内抽取样本的观测值，此时需要建立截断因变量模型。例如，在研究与收入有关的问题时，收入作为被解释变量。从理论上讲，收入应该是从零到正无穷，但实际中由于各种客观条件的限制，只能获得处在某个范围内的样本观测值。这就是一个截断问题。
    该模型的其他设置于删截回归模型完全相同，不同之处在于它将超出删截点的观测值从样本中剔除掉，而不是用删截点的数值来替代。
    在EVIEWS中进行操作时，只需要选定Truncated sample（即截断样本）即可。
    需要注意的是，该模型的删截点必须已知，即不能使用序列或者指示变量。

在网上找的，看了篇论文是关于这个方法的，也没学过，所以去网上找了一下，找到的资料有限，见谅！

受教了

学习了