Tobit模型是指因變量在正值上近似連續，但包含壹些正概率為0的觀測值的壹類模型。例如，在任何壹年，相當壹部分家庭的醫療保險費用為0。因此，雖然年度家庭醫療保險費用的總體分布分散在壹個較大的正範圍內，但卻相當集中在數字0上。
也叫刪失回歸模型或截尾回歸模型，屬於壹種有限因變量回歸。受限因變量是指因變量的觀測值是連續的，但受到壹些限制，得到的觀測值並不能完全反映因變量的實際狀態。
主要包括截斷回歸模型、tobit模型和樣本選擇模型。
Tobit回歸原理
Tobit模型完全不同。與二進制或離散結果無關。Tobit模型是線性回歸的壹種形式。具體來說，如果連續因變量需要回歸，但偏向壹個方向，則使用Tobit模型。
Tobit模型允許在檢驗這個變量的同時對其進行回歸，這樣就可以對連續的因變量進行回歸。
Tobit回歸模型是壹種廣義線性模型，主要用於解決左右截斷或“截斷”的數據建模問題。具體來說，Tobit模型通常用於解決以下兩類問題:
左截斷問題:當數據中某些值的下限設置為特定值時，比如某個產品的價格不能低於10元，這就造成了左截斷問題，即數據的下限限定為10元。在這種情況下，傳統的回歸方法可能會失效，因為它們假設數據是從連續分布中抽樣的，而這種假設顯然是不成立的。Tobit模型可以用來解決這個問題。
右截斷問題:與左截斷問題相反，右截斷問題發生在當數據中某些值的上限設置為特定值時，例如某個健康指數的最大值為100，這就引起了右截斷問題，即數據的上限被限制為100。同樣，Tobit模型也可以應用於這類問題。