分位数回归发展、原理及其计算机实现.PDF

管 理 与 决 策 MANAGEMENT AND DECISION 2014.2 分位数回归发展、原理及其计算机实现1 1 2 史金凤 刘维奇 （1. 山西大学经济与管理学院， 太原 030006 ； 2. 山西大学管理与决策研究所， 太原 030006 ） 摘 要：分位数回归技术由于其假设条件宽松、提供更完整的统计关系而得到广泛的关注，形成 丰富研究成果。本文在梳理分位数回归理论发展脉络中归纳分位数回归的应用范围，在介绍分位 数回归基本原理和估计方法基础上，详细讲述Eviews、Stata 等软件窗口化操作步骤以及R 、SAS 等语言实现分位数回归的具体程序，并就分位数回归的未来提出展望，为分位数回归理论的拓展 及其应用提供指引。 关键词：分位数回归； Eviews；R 中图分类号：O212.4；F224.O 文献标识码：A 文章编号： （2014）02-000114-126 0 引言 分位数回归（Quantile Regression ）是应用于统计、经济、金融等领域的一种回归分析方法，是一种系统研究位 置、规模、分布的方法，是传统线性回归的扩展与补充，挖掘的信息更加丰富。传统的线性回归模型描述的是因变 量的条件均值分布受自变量的影响过程，分位数回归不仅能够获得因变量均值水平受自变量的影响过程，还能进一 步提供因变量任一分位点受自变量的影响。分位数回归依据因变量的条件分位数对自变量进行回归，得到了所有分 位数下的回归模型，相比普通的最小二乘回归，能够更加精确地描述自变量对因变量的变化范围及条件分布形状的 影响，给出包含平均水平的相关关系在内一组不同分位点的相关系结构。在现实生活中我们关心的不仅仅是平均水 平上的关系，而是更多分位点上的相关关系的结构，此时分位数回归成为更好的选择。 相对于传统的线性回归模型系数估计的基本方法最小二乘法，分位数回归的假设条件更少。传统的线性回归模 型的最小二乘估计在数据分布满足一定条件时具有无偏性、有效性等优良性质，估计结果可靠。如果模型的随机误 差项来自均值为零、方差相同的分布，那么回归系数的最小二乘估计为最佳线性无偏估计（BLUE ）；如果随机误差 项是正态分布，那么回归系数的最小二乘估计与极大似然估计一致，均为最小方差无偏估计（MVUL ）。然而，在 实际的经济生活中，这种假设通常不能够满足，特别地当数据中存在严重的异方差，或厚尾、尖峰情况时，最小二 乘法的估计将不再具有上述优良性质，致使最小二乘估计结果的正确性、准确性有待于进一步磋商。为了弥补普通 最小二乘法（OLS ）在回归分析中的缺陷，1818 年Laplace 提出了中位数回归（最小绝对偏差估计），1978 年Koenker 和Bassett[1]把中位数回归推广到了一般情形，最早提出分位数回归的思想。不同于普通最小二乘法利用因变量的条 1基金项目: 教育部人文社科基金青年项目(14YJC630163)、山西大学校科研基金(011551901006)。 作者简介: 史金凤(1982--) ，女，山西榆次人，博士，研究方向：金融工程与风险管理等，Email ；刘维奇（1963- ）， 男，山西忻州人，博士，山西大学管理与决策研究所教授，博士生导师，研究方向：金融工程与风险管理、时间序列分析，Email ： liuwq@ 。 121 管 理 与 决 策 MANAGEMENT AND DECISION 2014.2 件均值来建模并通过使残差平方和最小获得回归参数的估计，分位数回归利用因变量的条件分位数来建模，通过最 小化加权的残差绝对值之和来估计回归参数。分位数回归的求解可以转化为线性规划问题，使用单纯形法、内点算 法等技术得到分位数回归的点估计，通过直接估计法、秩得分法、重复抽样法得到区间估计，使其对数据的要求放 宽，适用于具有异方差、尖峰后尾等