爱华网误用模型是分析师常见的挑战，即使我们最常见也最看不上眼的回归模型，实际上也常被误用误读，但是如果用的好，其实一类模型可能基本上可以解决90%的数据挖掘问题，记得当年看《数据挖掘实战》一书时就感觉作者活用一个LOGISTIC模型就能搞定几乎所有的挖掘模型，但前提还是你吃透了它，知道其长处和局限在哪里。
自从Tobin(1958)研究了被解释变量有上限、下限或者存在极值等问题以来，这类研究受到学者们的广泛关注。人们为了纪念Tobin对这类模型的贡献，把被解释变量取值有限制、存在选择行为的这类模型称之为TOBIT模型。这类模型实际上包含两种方程，一种是反映选择问题的离散数据模型；一种是受限制的连续变量模型。
TOBIT模型不同于离散选择模型和一般的连续变量选择模型，它的特点在于因变量是受限变量，模型实际上由两类方程组成，主要研究在某些选择行为下，连续变量如何变化的问题。当前，这种模型已经引入了更复杂的形式，面板数据、半参数等形式的TOBIT模型在研究中广泛应用。国外这种模型已经陆续在各领域内广泛使用，国内也有一些实证分析的论文用到了这种模型。但是人们在应用这些模型分析问题时还存在一些误区，如误认为离散选择模型就是TOBIT
模型，无法解释样本选择性偏差的经济含义，不区分所建立的模型是否是联立方程，对估计结果的性质不进行检验等。
TOBIT模型和常见的PROBIT和LOGIT模型同属于一个体系，即由于解决的是因变量为定性变量的问题，但是前两者解决的主要是LPM模型的不足，即条件概率模型的取值超出了(0,1)的范围，而发展的两个技术，一个是概率单位模型，一个是对数单位模型，前者的CDF使用的累积正态函数，后者使用的累积逻辑函数。前两者有一个共同点是因变量的取值可以获得，无论是发生还是没有发生都可以取得到，而且关心的是事件的发生概率，而不是实质的经济变量（如买房子花费的金额大小），TOBIT则恰恰相反。至于TOBIT模型则是只对于可观测因变量的样本的信息进行处理，对于没有观测的因变量的信息则不处理，认定为0，也称为受限值因变量模型，或者截取回归模型。
