Các d liệu quan sát về OOP của hộ gia đình cho thấy có một tỷ lệ đáng kể các quan sát nhận giá trị là kh ng iều này có nghĩa là iến phụ thuộc bị kiểm duyệt censored) hương pháp hồi qui th ng thường sẽ thất bại trong việc xác định sự khác nhau về chất luợng gi a các quan sát giới hạn và các quan sát khơng giới hạn (liên tục) vì sự kh ng kh ng đồng nhất và thiên lệch của nó. hương pháp ình phương é nhất (OLS) sẽ thất bại trong việc ước lượng mơ hình dạng số liệu bị kiểm lọc (censored data). Mơ hình TOBIT sẽ rất h u hiệu trong trường hợp này với việc sư dụng phương pháp Maximum Likelihood (ML)
Th ng thường, dạng tổng quát của mơ hình hồi quy TOBIT là: yi = xiβ + εi ; với
- yi : biến phụ thuộc, nhận các giá trị sau: + yi = 0 nếu yi* < = 0;
+ yi = y* nếu yi* > 0;
Với yi*: là giá trị thực của quan sát, ở đây là chi tiêu y tế từ tiền túi OOP của hộ thứ i.
- xi : vector biến độc lập;
- εi : sai số ước lượng hàm hồi quy.
ể ước lượng mơ hình hồi qui bị kiểm lọc hay m hình TO IT được phát triển bởi James Tobin (1958), chúng ta không thể sư dụng phương pháp ình phương é nhất (OLS) bởi vì khơng đáp ứng được điều kiện E
u) = 0 Ước lượng OLS sẽ chệch và kh ng đồng nhất đối với các thông số. Với việc sư dụng mơ hình TOBIT sẽ cho các kết quả ước lượng phù hợp hơn so với phương pháp ình phương bé nhất OL do đặc điểm của số liệu trong trường hợp bị kiểm lọc. Thực hiện theo phương pháp TOBIT,
hàm hồi quy này vẫn tính tốn hệ số ước lượng bằng ình phương tối thiểu sai số, nhưng với điều kiện bên trên.