分位数回归模型在R环境下的实现.ppt

分位数回归模型在R环境下的实现 中国人民大学统计学院 左辰 潘岚锋 大纲 引言 分位回归模型的基本结构 回归系数的渐进分布 参数估计 残差形态的检验 一个实例 一、引言 传统回归模型的缺陷：1 只反映均值变化2 Gauss-Markov假设条件太强 分位回归模型1 拟合在不同分位数水平下的估计值，可以反映更多的信息 2 对残差分布放松假设 R package：quantreg by Roger Koenker 二、模型的构造 其中：因变量 相互独立自变量残差项 回归系数 表示分位数水平 的回归系数 rq(y~x,tau=…,method=‘br’) 以quantreg包中的engel为例：自变量：income--年收入因变量：foodexp--食品消费额 fit1=rq(foodexp~income,data=engel) #tau值缺省为0.5，表示中位数回归 fit2=rq(foodexp~income,data=engel,tau=c(0.1,0.25,0.75,0.9))#对0.1，0.25，0.75，0.9四个分位数水平进行回归 稳健性的试验 目的：比较均值回归、中位数回归系数的稳定性 方法：1 计算原模型的预测值、残差2 从残差中抽样加入到预测值中，重新作均值回归和中位数回归3 统计两种回归系数的分布 结果 三、回归系数的渐进分布 考虑独立同分布的场合 模型： 残差分布：双尾指数（Laplace） 随机生成1000次，统计在0.1,0.2,…,0.9水平上的分位回归系数:rq(y~x,tau=seq(0.1,0.9,length=9)) 此外，可以观察回归系数的误差在不同分位数水平上的变化 四、参数估计 给出一个分位回归模型fit=rq(y~x)后，命令summary(fit,se=‘…’)可以查看参数估计的结果 se选项用于选择参数估计的不同方法，主要有 1 se=‘ker’:核函数估计法 2 se=‘boot’:Bootstrap方法 3 se=‘rank’:秩检验 1 核函数估计法 因为残差分布未知，无法直接求出 Powell给出如下估计方法： 2 秩检验 秩检验是R中进行参数估计的默认方法。 该方法绕开了对未知变量的非参数估计， Jurekova, Guttenbrunner（1992）通过对偶规划问题的解，构造出一组秩统计量，渐进服从T分布 summary(fit,se=‘nid’) 结果： Call: rq(formula = foodexp ~ income)tau: [1] 0.5Coefficients: Value Std. Error t value Pr(|t|)(Intercept) 81.48225 19.25066 4.23270 0.00003income 0.56018 0.02828 19.81032 0.00000 秩检验（续） Koenker, Machado(1994)推广了秩检验的思路，构造出非渐进分布意义下的参数估计方法 summary(fit) 结果： Call: rq(formula = foodexp ~ income)tau: [1] 0.5Coefficients: coefficients lower bd upper bd (Intercept) 81.48225 53.25915 114.01156income 0.56018 0.48702 0.6019 注意：置信区间不是关于估计值对称的 3 Bootstrap 通过放回抽样的Monte-Carlo试验，得到回归系数的均值和标准差 运用T统计量的方法，构造置信区间 summary(fit,se=‘boot’,bsmethod=‘xy’) 结果：Call: rq(formula = foodexp ~ income)tau: [1] 0.5Coefficients: Value Std. Error t value Pr(|t|)(Intercept) 81.48225 26.62421 3.06046 0.00247income 0.56018 0.03399 16.48263 0.00000 五、残差形态的检验 分位数回归模型的一个重要应用就是对两种残差分布的如下两种形态作检验： 1 位置漂移模型（location shift model） 2 位置-尺度漂移模型（locatio