分位数回归.docVIP

2、不同分位点拟合曲线的比较 #?散点图 attach(engel)??????????#?打开engel数据集，直接运行其中的列名，就可以调用相应列 plot(income,foodexp,cex=0.25,type=n,???#?画图，说明① ?????xlab=Household Income, ylab=Food Expenditure) points(income,foodexp,cex=0.5,col=blue)??#?添加点，点的大小为0.5 abline( rq(foodexp ~ income, tau=0.5), col=blue )??#?画中位数回归的拟合直线，颜色蓝 abline( lm(foodexp ~ income), lty = 2, col=red )??#?画普通最小二乘法拟合直线，颜色红 taus = c(0.05, 0.1, 0.25, 0.75, 0.9, 0.95)? for(i in 1:length(taus)){???????#?绘制不同分位点下的拟合直线，颜色为灰色 ??abline( rq(foodexp ~ income, tau=taus[i]), col=gray ) } detach(engel) 3、穷人和富人的消费分布比较 #?比较穷人（收入在10%分位点的那个人）和富人（收入在90%分位点的那个人）的估计结果 # rq函数中，tau不在[0,1]时，表示按最细的分位点划分方式得到分位点序列 z = rq(foodexp ~ income, tau=-1)? z$sol?????#?这里包含了每个分位点下的系数估计结果 x.poor = quantile(income, 0.1) # 10%分位点的收入 x.rich = quantile(income, 0.9) # 90%分位点的收入 ps = z$sol[1,]??????????????#?每个分位点的tau值 qs.poor = c( c(1,x.poor) %*% z$sol[4:5,] )??# 10%分位点的收入的消费估计值 qs.rich = c( c(1,x.rich) %*% z$sol[4:5,] )???# 90%分位点的收入的消费估计值 windows(, 10,5) par(mfrow=c(1,2))?????????????????#?把绘图区域划分为一行两列 plot(c(ps,ps),c(qs.poor,qs.rich),type=n,?????# type=”n”表示初始化图形区域，但不画图 ?????xlab=expression(tau), ylab=quantile) plot(stepfun(ps,c(qs.poor[1],qs.poor)), do.points=F, ?????add=T) plot(stepfun(ps,c(qs.poor[1],qs.rich)), do.points=F, ?????add=T, col.hor=gray, col.vert=gray) ps.wts = ( c(0,diff(ps)) + c(diff(ps),0) )/2 ap = akj(qs.poor, z=qs.poor, p=ps.wts) ar = akj(qs.rich, z=qs.rich, p=ps.wts) plot(c(qs.poor,qs.rich), c(ap$dens, ar$dens), ?????type=n, xlab=Food Expenditure, ylab=Density) lines(qs.rich,ar$dens,col=gray) lines(qs.poor,ap$dens,col=black) legend(topright, c(poor,rich), lty=c(1,1), ???????col=c(black,gray)) 上图表示收入（income）为10%分位点处（poor，穷人）和90%分位点处（rich，富人）的食品支出的比较。从左图可以发现，对于穷人而言，在不同分位点估计的食品消费差别不大。而对于富人而言，在不同分位点对食品消费的差别比较大。右图反应了穷人和富人的食品消费分布曲线。穷人的食品消费集中于400左右，比较陡峭；而富人的消费支出集中于800到1200之间，比较分散。 （四）模型比较 #?比较不同分位点下，收入对食品支出的影响机制是否相同 fit1 = rq(foodexp ~ income, tau = 0.25) fit2 = rq(foodexp ~ income, tau = 0.5) fit3 = rq(foodexp ~ income, tau = 0.75) anova(fit