应用时间序列分位数回归讲义.docxVIP

目录 一、为什么需要分位数回归 二、总体分位数 三、样本分位数 四、分位数回归的估计方法 五、分位数回归模型的估计 六、R软件操作分位数回归  一、为什么需要分位数回归？ 1、一般的回归模型着重考察x对y的条件期望E(y|x)的影响，如果y|x不是对称分布，则E(y|x)难以反映条件分布的全貌。如果能够估计条件分布y|x的若干重要的条件分位数，比如中位数等，能够更加全面的描述被解释变量条件分布的全貌，而不是仅仅分析被解释变量的条件期望（均值）。不同分位数下的回归系数估计量常常不同，即解释变量对不同水平被解释变量的影响不同。 2、使用 OLS 进行“均值回归”，由于最小化的目标函数为残差平方和，容易受极端值影响。“分位数回归”，使用残差绝对值的加权平均作为最小化的目标函数，不易受极端值影响。而且，分位数回归对误差项并不要求很强的假设条件，因此对于非正态分布而言，分位数回归系数估计量则更加稳健。 二、总体分位数 假设Y为连续型随机变量，其累积分布函数为Fy(·)。Y的“总体q分位数”，记为yq，满足以下定义式：q = P (Y≤yq)= Fy(yq)? ? 总体q分位数正好将总体分布分为两部分，其中小于或等于yq的概率为 q，而大于yq的概率为 (1-q )。 如果q =1/ 2，则为中位数，正好将总体分为两个相等的部分。 如果Fy(·)严格单调递增，则有yq=Fy-1 (q)