分位数回归方法与其应用.pptVIP

 分位数回归（QR）方法及其应用;第一部分：方法介绍;分位数回归（ QR）产生的根源;分位数回归的思想;分位数的概念; 分位数回归思想的数学公式化;对于其他的第 分位数,我们可以求解下式： 等价的表示为： 其中 ， 为 示性函数。;对于一般线性条件均值函数 ，通过求解 得到参数估计值。而一般线性条件分位数函数为 ，通过求解 得到参数估计值 对于任意的 ，估计 称为第 分位数下的回归系数估计。;分位数回归参数的估计方法（点估计）;1.单纯形算法(Simplex Method)：该算法估计出来的参数具有很好的稳定性，但是在处理大型数据时运算的速度会显著的降低（见Koenker and Orey，1993)。 2.内点算法(Interior Point Method)：内点算法对于那些具有大量观察值和少量变量的数据集运算效率很高（见Portnoy and Koenker, 1997)。 3.平滑算法 (Smoothing Method)：平滑算法在理论上比较简单，它适合处理具有大量观察值以及很多变量的数据集 (见Chen, 2004) 。 其他方法: 如adaptive method 等。; 依据目前的文献，区间估计方法也可分为三种： 1.直接估计法(Direct Estimation Method)，见Koenker和Bassett (1982)以及Koenker和Machado (1999)。该方法依据估计出来的回归分位系数的渐进正态性来计算置信区间。比较有代表性的是Sparsity算法，它是一种最直接且运算速度也最快的算法，但该算法得到的估计值对于随机项为独立同分布这一假设十分敏感。 2. 秩得分法(Rank Score Method)，见Koenker(1994)。秩得分法算法比较简单，但是对于大型数据处理效率较慢。 3. 重复抽样法(Resampling method)，见He和Hu (2002)。该方法使用了MCMB(Markov Chain Marginal Bootstrap)算法，这种算法能够进行高效率的运算，大大节省了运算时间。重复抽样法能够克服直接法和秩得分法的缺陷，但是对于小样本时计算出的参数估计值不够稳定。 ;分位数回归参数的显著性检验方法;分位数回归模型的拟合优度;线性分位数回归模型的估计;分位数回归的基本性质;分位数回归的渐近性质; 分位数回归的渐近性质 ;与普通线性最小二乘回归方法的比较;第二部分：应用实例分析;分位数回归模型的软件计算;Estimation in R （);Example —Risk factors for low birthweight;Example —Risk factors for low birthweight;Example : Exploring the risk factors of low birthweight;Example --Exploring the risk factors of low birthweight;A quantile regression model for birthweight;SAS codes for the birthweight model;再属光酪凋料劝啥梯渗邑展贴屑戌叼孩竖捌拐坐院转歌卷位奏途逝都迎膛分位数回归方法与其应用分位数回归方法与其应用;唾官泥妇咯镇蔬悔亭铡嘴言焕卉国黍灰排亿贯人遇象绳凑起枫眶歪急恐呈分位数回归方法与其应用分位数回归方法与其应用;捆钱掉同细坑柱纹思泥宽俗递刹花护臼娩幌业惺铲简侦狰锚睬操俊拔赫唁分位数回归方法与其应用分位数回归方法与其应用;致兑陇闯良淫捂汗填好遣柞矿郊媚指壤助似爵鸦髓偏演顽紊继搓镜底添胎分位数回归方法与其应用分位数回归方法与其应用;Some conclusions for example ;An Engel Curves for Food: This figure plots data taken from Ernst Engels (1857) study of the dependence of households food expenditure on household income ; ;分位数回归的发展;Heteroscedasticity Robustness Censoring Sample selection Binar