ll(#)表示左边断尾，ul(#)表示右边断尾，两个都用则表示双边断尾。
truncreg y x1 x2 x3,ll(#) ul(#)
结果与普通回归没有很大区别。
样本中仅包括正整数，而不包括为0的样本（本身存在一定的样本选择问题），例如，在公交车上发放问卷调查每周乘坐公交车的次数。
第二个和第三个是负二项回归，其中第二个是默认的NB2模型，第三个是NB1模型。
ztp y x1 x2 x3,r
ztnb y x1 x2 x3,r
ztnb y x1 x2 x3,r disperision(constant)
即被解释变量y的断尾与z变量相关，这被称为偶然断尾，即存在样本自选择问题。
类似于零断尾现象的存在，样本本身被选择就是由于某些其他因素的存在。
此时需要采取heckman两步法，第一步需要测算样本被选择的概率，第二步再对规律进行回归。
第一个为默认使用的MLE法进行测算的，第二个是Heckit的两步法，第三个是选择方程的被解释变量不再是y而是w。
heckman y x1 x2 x3,select(z1 z2)
heckman y x1 x2 x3,select(z1 z2) twostep
heckman y x1 x2 x3,select(w=z1 z2)
在最后一行的p值表示拒绝原假设，即应该选择样本选择模型。
当满足某个条件时，被解释变量的取值全部归为了一个数。
即被解释变量的分布变成了一个离散点和一个连续分布。
tobit y x1 x2 x3,ll(#) ul(#)
但是其对被解释变量的分布要求很高，需要服从同方差以及正态分布的特征。（最大似然估计的衍生）
用下面的方法对正态性进行检验。（需要在进行tobit回归之后使用）
tobcm,pbs
观察CM值，将其与各个百分比的数值进行对比，大于则拒绝原假设，即不认为其为正态分布。
或者可以采用clad方法，其对分布的要求较低。
clad y x1 x2 x3,ll(#) ul(#)
若进行CLAD法，发现其与Tobit存在较大差异，则表示确实不应当采用Tobit回归。
将决策分为两个阶段，第一个是是否会做这件事，第二个才是做这件事的结果数值大小。
即分别进行回归，首先第一阶段，生成一个被解释的虚拟变量，利用全样本进行Probit或者Logit回归。
gen newvar=(y>0)
probit y x1 x2 x3,nolog
第二阶段，利用被解释变量>0的子样本进行回归。
reg y x1 x2 x3 if y>0,r
