分位数回归概要.ppt

Wald检验 如果约束条件为真，则 不应该显著异于零，其中 是无约束极大似然估计值。当 显著异于零时，约束条件无效，拒绝原假设。 检验统计量 Wald只需要估计无约束模型，但需要计算渐进协方差矩阵。 Wald检验 在线性约束条件下， Wald检验 拒绝域， 系列分位数回归检验 前面的分析主要集中在单个分位数回归模型的假设检验上，而有些时候也需要对一系列分位数回归的回归系数进行联合检验。比如，需要通过检验不同分位数模型的斜率是否相等来判断一个模型是否具有位移特征。同时考虑多个分位数回归式称作系列分位数回归分析。 4、斜率相等检验 斜率相等检验，即检验对于不同的分位点，估计得到的结构参数（在线性模型中即为斜率）是否相等。 原假设被设定为： 其中βi指常数项以外的解释变量所对应的(k-1)维参数列向量。因此，零假设共含有(k-1) (m-1)个约束条件。接下来构造Wald形式的统计量检验零假设是否成立，它渐近服从自由度为(k-1) (m -1)的卡方分布。 如果接受该假设，说明每个斜率对于不同分位点具有不变性，此时，应该采用普通最小二乘估计；如果拒绝该假设，说明模型应该采用分位数回归估计，以反映每个斜率在不同分位点的不同值。 斜率相等检验可以通过约束回归检验实现。原假设相当于对分位数回归估计施加了个约束（斜率中不包括常数项）。 应用软件中给出了一些相应的检验统计量。 5、斜率对称性检验 斜率对称性检验，即检验对于给定的X，Y的分布是否是对称的。假设我们要检验的分位数回归模型有m个，m是奇数，且中间值τ(m+1)/2是0.5，其他τ都关于0.5对称，即τj=1?τm-j+1, j=1,…,(m-1)/2。参数估计量按照τk的大小排序。则对称性检验的零假设为： ，其中j=1, …, (m?1)/2 m是奇数，代表分位数回归个数。即关于0.5对称的分位数回归参数估计量的两两平均值等于中位数回归参数估计量。 5、斜率对称性检验 我们可以构造Wald形式的统计量检验上述k(m-1)/2个约束条件是否成立。该统计量服从自由度为k(m?1)/2的卡方分布。 如果接受斜率相等性假设，就不必进行斜率对称性检验。 如果拒绝斜率相等性假设，则可以进一步进行斜率对称性检验，若接受原假设，则认为斜率具有对称性，否则，则认为斜率不具有对称性。 Thank you! 分位数回归 一、分位数回归的提出 二、分位数回归及其估计 三、分位数回归的假设检验 一、分位数回归的提出 传统的回归分析主要关注均值，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。这类回归模型实际上是研究被解释变量的条件期望,描述了因变量条件均值的变化。 人们当然也关心解释变量与被解释变量分布的中位数，分位数呈何种关系。这就是分位数回归，它最早由凯恩克（Koenker Roger）和巴西特（Bassett Gilbert Jr）于1978年提出，是估计一组回归变量X与被解释变量Y的分位数之间线性关系的建模方法，强调条件分位数的变化。 中位数是一个特殊的分位数，它表示一种分布的中心位置。中位数回归是分位数回归的一种特殊情况，其他分位数则可以用来描述一种分布的非中心位置。第p个百分位数表示因变量的数值低于这一百分位数的个数占总体的p%.因此，分位数可以指定分布中的任何一个位置。 分位数的性质 单调同变性 如果对一个随机变量进行函数h的单调转换（如指数或对数函数），分位数可通过对分位数函数进行同样的转换而得利。换言之，如果q是Y的第p分位数，那么h(q)是h(Y)的第p分位数。 对离群值的不敏感性 假如有中位数为m的样本数据x1,…,xn,我们将一个位于中位数之上的数据值xi替换成同样在中位数之上的其他值，从而修改了样本。同样的，我们也可以将一个位于中位数之下的数据值替换成同样在中位数之下的其他值。这样的修改对样本中位数没有任何影响。 分位数回归估计与经典模型的最小二乘估计相比较，有许多优点。 当数据出现尖峰或厚尾的分布、存在显著的异方差等情况，最小二乘估计将不再具有优良性质，且稳健性非常差。分位数回归系数估计结果比OLS估计更稳健，而且，分位数回归对误差项并不要求很强的假设条件