Tobit模型也称为样本选择模型、受限因变量模型,是James Tobin(1958)提出来的一种关于处理被解释变量取值有限制、存在选择行为的一类模型。它是一种应用很广泛的截尾回归模型,并假定其误差项服从正态分布。后来的研究表明误差项与正态假设稍有偏差就会导致估计量的不一致性。Arabmazar和Schmidt(1982)研究了当正态假设不满足时总体均值的估计量的稳健性,他们得到的结论是当误差项与正态假设稍有偏差,均值的估计量就会出现很大偏差,而且这种偏差跟删失比例相关。在长尾分布中为了弥补这个缺陷,通常的做法是通过将数据进行对数化或开方处理,另外一个方法就是考虑半参数化方法来改善模型的适用性。我们所考虑的是用更加灵活的参数模型。我们知道相对于对称分布,偏态分布是更加灵活的参数模型,进而能获取更全面准确、及时有效的信息。基于此,本文提出了两种基于偏态分布的Tobit回归模型:偏正态Tobit回归模型和逆尺度因子γ偏正态Tobit回归模型用来对原有模型进行推广,其中逆尺度因子γ偏正态分布是C.Fernandez和M.F.L Steel(1998)通过将对称分布转化为偏态分布的过程中提出来的一种新的分布。在这两个分布中均包含了正态分布为其特例,并且它们与正态分布有很多相同或相近的性质。本文中得出了关于这两个模型一些新的结果以及性质。同时,我们给出了这两种模型中参数的极大似然函数,得出了最后通过建立数值模拟,计算了逆尺度因子偏正态Tobit回归模型参数的极大似然估计,并将它与正态假设下的Tobit模型进行比较,结果表明当γ=1时,逆尺度因子γ偏正态Tobit模型跟正态Tobit模型有相同的表现力。但是,当γ>1,逆尺度因子γ偏正态Tobit模型跟正态Tobit模型相比有明显的优势。