所以我使用了幸存者，我希望我的预测结果服从0的下限，但它们经常表示负面结果。我认为它是以某种方式估计线性结果而不是我试图创建的生存模型。这就是我所做的：
linear.first.stage<-lm(y ~ x, data=clip)
首先，我估计了一些要点，以加快我的估算过程。没有第一阶段它就无法收敛。我创建了一个生存对象，遵循来自？survreg的代码，它提供了一个有关tobit回归的明确示例。我在下面复制了x和y。在我的数据集中，y只能在非负值处观察到，但如果它是正值，则它通常分布在大约200左右，sd约为20.X可能取任何值，理论上不受约束通过任何特定的数字立即浮现在脑海中。
surv_y<-Surv(clip$y, clip$y>0,type="left")
first.stage<-survreg(surv_y ~ x,init=(linear.first.stage), dist="gaussian", data=clip)
我进行了生存回归，这应该相当于Tobit。为了确认我对事件的解释是一样的，我运行了以下内容：
test<-tobit(y~x, left=0, right=Inf, dist="gaussian", data=clip)
p_test<-predict(test)
p<-predict(first.stage)
plot(p_test-p)
该图显示零线的平线，因此在目视检查时，这些命令应该是相同的。但是，在这两种情况下，都预测了0以下的结果。这是有问题的，因为我已经声明可观察信息的左边界是0.我的期望是所有预测值必须> 0。
我尝试使用类型“链接”，“响应”，“线性”进行预测，但无济于事。我假设预测命令正在产生结果，好像审查没有发生。如何生成服从0的下限的预测？
参考文献：
答案 0 :(得分：0)
答案：Tobit不是正确的回归类型。 Tobit预测在没有截断的情况下结果应该是什么。
澄清：我重新构建了我的估算流程，以反映零膨胀或障碍模型。 Tobit用于审查数据，它表示存在非零结果，但我们只观察0，因为信息以某种方式隐藏。例如，女性的工资应该与托比特一致，因为选择不工作的已婚妇女仍然有保留工资，并且仍然有一些（看不见的）回归努力从事任何类型的无偿劳动。零膨胀或障碍模型表明结果确实为零。如同，没有犯罪发生。或者没有产生小部件。它们更准确地反映了我的模型。
答案 1 :(得分：0)
您可能需要在该软件包的一位作者描述here的意义上扩展预测。