应用计量经济学基本回归模型.pptVIP

例4.10的结果输出如下(以0.2分位数的估计结果为例)： 2. 分位数回归的输出结果 0.000000 Prob(Quasi-LR stat) 667.5910 ????Quasi-LR statistic 0.084695 Sparsity 4.649230 ????Objective (const. only) 7.990470 Quantile dependent var 0.125904 ????Objective 0.029215 S.E. of regression 0.604396 ????S.D. dependent var 0.969534 Adjusted R-squared 8.536631 ????Mean dependent var 0.972919 Pseudo R-squared 0.0003 4.215470 0.103940 0.438156 LOG(CSP(-1)) 0.1183 1.620065 0.029363 0.047570 LOG(EXPFP(-1)) 0.0002 4.485630 0.108208 0.485383 LOG(INC) 0.0103 2.784547 0.075257 0.209558 C Prob.?? t-Statistic Std. Error Coefficient Method: Quantile Regression (tau = 0.2) Dependent Variable: LOG(CSP) 输出结果的上方显示了设定的内容，本例中设定用“Huber Sandwich”方法估计系数协方差，用“Siddiqui（mean fitted）”方法得到稀疏度，用“Hall-Sheather”方法计算带宽。下面显示了系数估计值、标准差、t检验值和相应的p值。最下方显示了拟合优度和调整值、稀疏度数值、目标函数的最小值（“objective”）、仅包含常数的目标函数的最小值（“Objective (const. only)）、因变量序列的经验分位数（“Quantile dependent var”）、拟似然比检验值（“Quasi-LR statistic”）和相应的p值（“Prob(Quasi-LR stat)”）等。 3．分位数回归中的视图和过程 分位数回归中的多数视图和过程都与用OLS法估计的方程对象中提供的功能相同，但有些地方还是值得注意，如冗余变量检验、遗漏变量检验和“Ramsey RESET”检验将都用到拟似然比检验。而在分位数过程（“Quantile process”）里，提供了分位数回归中特有的三个功能：过程系数（“Process Coefficients”）、斜率相等检验（“Slope Equality Test”）和对称检验（“Symmetric Quantiles Test”）。 （1）“Process Coefficients”：通过这个功能可以同时观察多种分位数设定下的系数估计结果。可以选择结果输出(“output”)的显示方式，即表格(“table”)或者图形(“graph”)，默认状态是以表格形式显示系数估计值、标准差、t检验值和p值。如果选择以图形的方式显示，需要指定置信度，默认状态是95%。下面一栏中可以设定在何种分位数下估计模型，系统默认数值是10分位数，即对因变量的10%、20%、一直到90%分位数情形分别估计系数，如果输入20，则对因变量的5%、10%、一直到95%分位数情形分别估计系数。 （2）“Slope Equality Test”：这个功能用来检验因变量的不同分位数回归估计中斜率系数是否相同。默认状态下，只比较25%、50%、75%三种情形，当然也可以自行设定。 （3）“Symmetric Quantiles Test”检验对称的分位数回归估计出来的系数的平均值是否与中位数回归的系数估计值相等。 4.8 非参数回归模型 前面介绍的回归模型，无论是线性形式还是非线性形式，都需要明确地给出被解释变量和解释变量之间的关系，才能进行参数估计进而利用模型的估计结果分析问题。然而，变量之间关系的设定具有很强的主观性，建模者往往需要尝试多种形式的模型，才能根据统计检验和经济意义等多种因素的考虑最终选定模型的形式。本节中将要对非参数回归模型作初步的介绍。非参数模型假定变量间的关系是未知的，其所要估计的是回归函数本身。对于这个未知函数的估计通常可以采用核估计和近邻估计等方法。 4.8.1 密度函数的非参数估计 1．已知密度函数形式的估计 若已知密度函数的形式