13 Econometrics (Limited Dependent Variable Models)

📊 सीमित आश्रित चर मॉडल (Limited Dependent Variable Models)

यह वे मॉडल हैं जिनका उपयोग तब किया जाता है जब आपका Dependent Variable (Y) लगातार मान (continuous) न लेकर सीमित हो — जैसे केवल 0/1, पूर्णांक (Count), या एक रेंज में सीमित हो।

🎯 सबसे पहले: Linear Probability Model (LPM)

LPM क्या है?

LPM सबसे सरल मॉडल है जहाँ हम OLS का उपयोग करके binary outcome (0/1) की probability को सीधे model करते हैं:

\[ P(Y=1|X) = \beta_0 + \beta_1 X + u \]

LPM की समस्याएँ:

• Probability 0 और 1 के बीच नहीं रहती (negative या >1 आ सकती है)
• Errors heteroscedastic होते हैं

✅ UGC NET PYQ (Exam Pattern, 2021-22):

प्रश्न: "What is the primary purpose of the Linear Probability Model (LPM)?"

✅ सही उत्तर: (B) To analyze binary outcome variables

📘 1. लॉगिट मॉडल (Logit Model)

Concept

Logit Model logistic distribution का उपयोग करता है ताकि predicted probabilities हमेशा 0 और 1 के बीच रहें।

यह कैसे काम करता है?

लॉगिट मॉडल odds के log को एक रैखिक फलन के रूप में मॉडल करता है:

\[ \ln\left(\frac{p_i}{1-p_i}\right) = \beta_0 + \beta_1 X_i \]

Probability Function (लॉजिस्टिक फंक्शन):

\[ P(Y=1|X) = \frac{e^{\beta_0 + \beta_1 X}}{1 + e^{\beta_0 + \beta_1 X}} \]

गुणांक की व्याख्या (सबसे महत्वपूर्ण):

• logit coefficient \(\beta\) log-odds में परिवर्तन दिखाता है
• Exponentiated coefficient (\(e^\beta\)) = Odds Ratio (X में 1 यूनिट बदलाव पर odds कितने गुना बढ़ते हैं)

उदाहरण: यदि \(\beta = 0.5\), तो \(e^{0.5} \approx 1.65\) → X में 1 यूनिट वृद्धि पर odds 65% बढ़ जाते हैं।

✅ UGC NET PYQ (Exam Pattern, 2021-22):

प्रश्न: "In the Logit Model, the probability of the outcome is modeled using which function?"

✅ सही उत्तर: (C) Logistic function

✅ UGC NET PYQ (Exam Pattern, 2021-22):

प्रश्न: "What does the coefficient in a Logit Model represent when exponentiated?"

✅ सही उत्तर: (B) The odds ratio for a one-unit change in the independent variable

📘 2. प्रोबिट मॉडल (Probit Model)

Concept

Probit Model normal distribution के Cumulative Distribution Function (CDF) का उपयोग करता है।

यह कैसे काम करता है?

\[ P(Y=1|X) = \Phi(\beta_0 + \beta_1 X) \]

जहाँ \(\Phi\) (Phi) Standard Normal CDF है।

Logit vs Probit में अंतर (बहुत महत्वपूर्ण):

पहलू	लॉगिट मॉडल	प्रोबिट मॉडल
Distribution	Logistic Distribution	Normal Distribution
Link Function	Log-odds (\(\ln(p/(1-p))\))	Probit (\(\Phi^{-1}(p)\))
Coefficients की व्याख्या	\(e^\beta\) = Odds Ratio	Z-score में बदलाव
Tails	Heavier tails (चरम मानों के प्रति संवेदनशील)	Lighter tails

✅ UGC NET PYQ (Exam Pattern, 2021-22):

प्रश्न: "Which model uses the cumulative distribution function (CDF) of the standard normal distribution to model binary outcomes?"

✅ सही उत्तर: (C) Probit Model

📘 3. सेंसर्ड रिग्रेशन – टोबिट मॉडल (Tobit Model)

Concept

Tobit Model का उपयोग तब किया जाता है जब dependent variable censored हो — यानी किसी सीमा (threshold) पर values "cut off" हो जाती हैं।

Censored vs Truncated:

Term	Meaning	Example
Censored	Variable सीमा से ऊपर/नीचे के मान नहीं दिखता, लेकिन observation sample में है	लोन डिफॉल्ट डेटा जहाँ loss 0 से नीचे नहीं जा सकता
Truncated	सीमा से बाहर के observations sample में ही नहीं हैं	केवल उन फंडों का डेटा जो बचे रहे (जो बंद हो गए, वे sample में ही नहीं)

Tobit Model Specification:

\[ Y^* = \beta X + u \]

\[ Y = \max(0, Y^*) \]

जहाँ \(Y^*\) latent variable है (हम उसे पूरा नहीं देख पाते)।

OLS क्यों Fail करता है? OLS censoring को ignore करता है और biased and inconsistent estimates देता है। Tobit Maximum Likelihood Estimation (MLE) का उपयोग करता है।

Tobit Model के Coefficients की व्याख्या: Tobit coefficients represent the change in the latent dependent variable, not the observed one.

📘 4. मॉडल मूल्यांकन (Model Evaluation) – Count R²

Count R² क्या है?

यह binary outcome models (Logit/Probit) के लिए goodness-of-fit का एक माप है। यह सही ढंग से वर्गीकृत observations के अनुपात को मापता है।

Formula:

\[ \text{Count } R^2 = \frac{\text{Number of Correctly Predicted Outcomes}}{\text{Total Number of Observations}} \]

उदाहरण: यदि Logit model ने 100 में से 80 बार सही भविष्यवाणी की → Count R² = 0.80

सीमा: Count R² केवल classification accuracy बताता है, probability error नहीं मापता।

🔥 UGC NET के लिए त्वरित पुनरावृत्ति तालिका

Model	कब Use करें?	Link Function	Coefficient Interpretation
Logit	Binary outcome (Logistic distribution assumed)	Logistic function	\(e^\beta\) = Odds Ratio
Probit	Binary outcome (Normal distribution assumed)	Normal CDF (\(\Phi\))	Z-score में बदलाव
Tobit	Censored dependent variable (जैसे 0 पर cut-off)	—	Latent variable में बदलाव
Count R²	Logit/Probit की predictive accuracy	—	Classification accuracy

💡 परीक्षा टिप्स (Exam Tips) – PYQs के आधार पर

यदि प्रश्न पूछे...तो सही उत्तर है... "LPM का primary purpose क्या है?"To analyze binary outcome variables "Logit model किस function का उपयोग करता है?"Logistic function "Exponentiated logit coefficient (\(e^\beta\)) क्या दर्शाता है?"Odds ratio "Probit model किस function का उपयोग करता है?"Normal CDF (\(\Phi\)) "Tobit model कब use करते हैं?"Dependent variable censored हो "Logit और Probit में मुख्य अंतर क्या है?"Distribution assumption (Logistic vs Normal) "Censored और Truncated में क्या अंतर है?"Censored: observation sample में है; Truncated: बाहर का observation sample में नहीं

📌 सारांश (एक लाइन में याद रखें)

Model	एक लाइन में याद रखें
Logit	Logistic distribution; Odds ratio से व्याख्या
Probit	Normal distribution; Z-score से व्याख्या
Tobit	Censored data (जैसे 0 पर cut-off) के लिए
Count R²	Logit/Probit में सही भविष्यवाणी का %

📐 UGC NET Economics | सीमित आश्रित चर मॉडल (Limited Dependent Variable Models) | Complete Guide (LPM, Logit, Probit, Tobit, Count R²)
पूर्ण गणितीय प्रारूप | प्रत्येक शब्द सुरक्षित | LaTeX में सूत्र