分位数回归解读.ppt

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 ， 因此对于非正态分布而言，分位数回归系数 估计量则更加稳健。 最小二乘估计假定解释变量只能影响 被解释变量的条件分布的均值位置。 而分位数回归估计能精确地描述解释 变量对于被解释变量的变化范围以及条件 分布形状的影响 , 能够更加全面的描述被解 释变量条件分布的全貌，而不是仅仅分析 被解释变量的条件期望（均值），也可以 分析解释变量如何影响被解释变量的中位 数、分位数等。 不同分位数下的回归系数 估计量常常不同，即解释变量对不同水平 被解释变量的影响不同。 普通最小二乘估计 分位数回归估计 基本思想 设法使所构建的方程和样本之间的距 离最短 同普通最小二乘估计方法 目的 借助数学模型对客观世界所存在的事 物间的不确定关系进行数量化描写 同普通最小二乘估计方法 原理 以平均数为基准，求解最短距离 以不同的分位数为基准，求解最 短距离 算法 最小二乘法 加权最小一乘法 前提假设 独立、正态、同方差 独立 假设要求 强假设 弱假设 检验类型 参数检验 非参数检验 承载信息 描述平均的总体信息 充分体现整个分布的各部分信息 极端值 无法考虑极端值的影响 可以充分考虑极端值的影响 异方差 影响大 影响小 拟合曲线 只能拟合一条曲线 可以拟合一簇曲线 计算方法 求偏导解行列式，算法完备 自助方法估计标准误差，多种算 法求解目标函数 二、分位数回归及其估计 损失函数 ? 定义 在统计学中损失函数是一种衡量损失和错 误程度的函数。常常记作 。 ( , ) L a ? 损失函数常用形式 对于之前的线性模型来说，就是使 得残差平方和最小，即损失函数为平方 损失函数，此为最小二乘回归。而如果 损失函数为绝对值损失函数，则称为最 小一乘回归，它使得残差绝对值的和最 小。最小一乘回归是分位数回归的特例。 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，