2014中丹杯数学实验与建模竞赛c题.docVIP

2014“中丹杯”数学实验与建模竞赛 C题 经典的线性回归模型─普通最小二乘回归(OLS)以关注均值为目标，即采用因变量条件均值的函数来描述自变量每一特定数值下的因变量均值，从而揭示自变量与因变量的关系。k变量经典线性回归模型为： （1） （2） （3） 其中为因变量（被解释变量），为k+1维解释变量，第一个分量表示截距项。为待估的未知参数，ui为随机扰动项， 表示n次观测值。为了求的估计值，方法之一是最小二乘（OLS）估计，即通过最小化残差平方和，实现的参数估计： OLS回归模型具有以下优点：在理想状态下，它可以为我们提供关于自变量和因变量分布关系的完整描述。同时，采用OLS模型可获得具有优越统计特性的估计量：是无偏的、有效的且具有一致性。但条件均值框架存在先天的局限性。首先，该模型的假定，即，要求随机扰动项满足零均值且同方差的正态分布()。这在现实的经济问题中很难被满足。实际中，数据可能会出现尖峰，厚尾分布或存在异方差，这时最小二乘估计将不再具有最小方差无偏估计(BLUE)且稳健性非常差。其次，当研究自变量特定数值下的因变量变化时，条件均值模型并不能轻易地扩展到非中心位置，而非中心位置往往正是社会科学研究的兴趣所在。例如，社会科学研究最主要的方面之一是关注社会不平等问题，如，收入和财富等经济不平等；学业成绩上的教育不平等；健康不平等和由于社会政策而导致的生活质量的不平等等。这些课题若采用条件均值模型（即普通最小二乘回归模型）来进行分析是没有效率的，甚至会偏离研究重点。 为了弥补这些缺陷, Koenker 和Bassett 于1978 年首次提出了分位数回归(Quantile Regression，QR) 的思想 。它依据因变量的动态分位数对自变量X 进行回归，得到了所有分位数下的回归模型。较之于线性回归模型描述了因变量条件均值的变化，分位数回归模型强调条件分位数的变化。由于所有分位数都是可用的所以对任何预先决定的分布位置进行建模都将是可能的。分位数回归(QR)相对于OLS只能描述自变量X对因变量Y均值变化的影响而言，更能精确地描述X对Y的变化范围以及动态分布形状的影响，而且其分位数回归系数估计比最小二乘回归系数估计更稳健。分位数回归模型可表述为： (4) (5) (6) 其中。定义为给定解释向量下的( 动态分位数回归，为待估参数向量，随的不同而不同；当在（0,1）变化取值时，就可得到动态下Y的全部分布。 的估计是通过最小化非对称加权的绝对离差和，即下列目标函数的最小化(Koenker Bassett;1978)而得的： (7) 特别，当时，就是最小绝对值离差估计(LAD：Least absolute deviation estimator)。 通过对(7)式的求解，可以估计出在分位点的分位数估计值。根据在不同分位点估计的不同系数，便可对不同层次的问题进行分析。利用统计软件Eviews6.0可以方便的进行分位数回归。 但在实证研究中发现，当用分位数回归模型进行估计时，通过Eviews统计软件估计分位数模型的系数，有的样本数据能给出不同分位点的估计值的显著性报告，但有的样本数据则不能给出较低或较高分位点的估计值的显著性报告（见表1,2）。 问题一：试通过所给两组数据（数据组一、二）的特点，推测产生上述差异性结果的原因并通过计算机模拟试验检验你的推测。 问题二：请你设计出估计分位数回归模型（5）的系数的一个程序，用数据组1,2进行检验，并和Eviews回归的结果进行比较； 问题三：如果我们已知：近似服从标准正态分布，其中，为估计值的标准误。就你的回归结果，设计一个程序，对估计系数进行统计推断（即检验假设：），并由此从理论是解释：为什么Eviews软件不能给出数据组一，在除了中位数以外其它分位数的回归系数的显著性检验结论。 （注：鉴于问题的难度，问题二、三就2个解释变量进行分析，不必考察一般的k个解释变量的情形） 表1 数据组一的分位数回归结果 Q(.1) Q(.3) Q(.5) Q(.7) Q(.9) C 7.598 NA 7.697 NA( 7.759 (0.000)( ( 7.739 NA 7.576 NA X1 0.