计量分位数回归 eviews.pptVIP

分位数回归（QRM）方法及其应用 OLS估计结果: 分位数回归估计结果: 注：括号内为弹性系数的t值； Quant20， Quant50， Quant80分别 代表20%，50%，80%分位数。 0.98 0.97 0.97 0.999 R2 或 R1 0.026 （0.82） 0.034 （1.196） 0.048 （1.62） 0.027 （1.65） 0.49 （3.43） 0.56 （3.55） 0.44 （4.22） 0.47 （7.57） 0.45 （2.93） 0.38 （2.33） 0.49 （4.49） 0.47 （7.22） 0.28 (3.17) 0.25 (3.44) 0.21 (2.78) 0.28 (5.78) Quant80 Quant50 Quant20 OLS 系数估计结果 表4.4 最小二乘法和分位数回归结果 从估计结果可以看出，对于不同的估计方法，居民实际可支配收入、前期消费水平两个变量的弹性系数变化不大。尽管在以往的研究中，政府支出对居民消费的影响还没有得出一致的结论，但是在本例中三种估计的结果表明政府支出对居民消费的弹性值均为正，说明在我们所分析的样本区间内政府支出与居民消费之间是互补的，政府支出的增加有利于加强基础设施建设和提高社会保障水平，使居民减少储蓄，尤其是预防性储蓄，从而增加消费。最小二乘估计给出的是政府支出对消费的平均影响效果，而分位数回归给出的是消费处于不同分位水平时，政府支出对居民消费的影响。在20%，50%和80%的分位点上政府支出的弹性分别为0.048，0.034，0.026，并且后两个水平的估计是不显著的，说明当消费水平较低时，政府支出的影响相对较大，而对于较高的消费水平，政府支出的影响变小，并且是不显著的。因为当消费水平较高时，进一步提升的空间变小，政府支出对其影响也变小。 * 管理与经济学院 主要内容： 分位数回归的基本介绍 系数协方差的估计方法 模型评价与检验 基于Eviews的分位数回归 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。 一、分位数回归的提出 分位数回归（Quantile Regression）最早由科恩克和巴塞特 (Koenker 和Bassett, 1978)于1978年提出 ，它提供了回归变量 X 和因变量Y 的分位数之间线性关系的估计方法。绝大多数的回归模型都关注因变量的条件均值，但是人们对于因变量条件分布的其他方面的模拟方法也越来越有兴趣，尤其是能够更加全面地描述因变量的条件分布的分位数回归。 利用分位数回归解决经济学问题的文献越来越多，尤其是在劳动经济学中取得了广泛应用。如在教育回报和劳动市场歧视等方面都出现了很好的研究成果。在经济学中的应用研究还包括诸如财富分配不均问题、失业持续时间问题、食品支出的恩格尔曲线问题、酒精需求问题和日间用电需求问题等。在金融学领域也涌现出大量使用分位数回归的应用研究成果，主要应用领域包括风险价值（Value at Risk, VaR）研究和刻画共同基金投资类型的指数模型。 正如普通最小二乘OLS回归估计量的计算是基于最小化残差平方和一样，分位数回归估计量的计算也是基于一种非对称形式的绝对值残差最小化，其中，中位数回归运用的是最小绝对值离差估计(LAD，least absolute deviations estimator)。它和OLS主要区别在于回归系数的估计方法和其渐近分布的估计。 分位数回归参数估计的思想 分位数回归参数估计的思想 与LR估计量明显不同的QR估计量的特点在于，在QR中数据点到回归线距离的测量通过垂直距离的加权总和（没有平方）而求得，这里赋予拟合线之下的数据点的权重是1-τ,而赋予拟合线之上的数据点的权重则是τ.对于τ的每一个选择，都会产生各自不同的条件分位数的拟合函数，这一任务是为每一个可能的寻找适合的估计量。 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