24分位数回归估计.pptVIP

§ 2.4 分位数回归估计 Quantile Regression,QR 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 四、实例 一、分位数回归的提出 ? 分位数回归 由 Koenker Roger 和 Bassett Gilbert Jr 于 1978 年提出 – 利用解释变量和被解释变量的条件分位数进行建模， 试图揭示解释变量对被解释本来分布的位置、刻度和 形状的影响。 – 经典回归模型称为均值回归。建立了被解释变量的条 件均值与解释变量之间的关系。 ? 实例 1 – Koenker 和 Machado(1999) 分析了 1965 ～ 1975 以及 1975 ～ 1985 两段时间内世界主要国家的经济增长情况。 模型选取了 13 个影响经济增长的解释变量。 – 通过分位数回归得出结论：对于初始单位资本产出这 一解释变量，它的全部回归分位系数基本保持不变， 这就意味着对于经济发展迅速与缓慢的国家而言，初 始单位资本产出对于经济增长的影响基本相同； – 教育支出占 GDP 的比重以及公共消费占 GDP 的比重这 两个解释变量对于经济发展缓慢的国家影响更加强烈。 ? 实例 2 – Chen(2004) 使用分位数回归方法研究了美国 8250 名男 性的 BMI （身体质量指数，一种广泛用于测量偏胖还 是偏瘦的指标）情况，并得出结论： ? 在 2~20 岁这一快速成长期中， BMI 迅速增加； ? 在中年期间 BMI 值保持比较稳定； ? 60 岁以后， BMI 的值开始减少。 ? 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，最小二乘法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比 OLS 估计更稳健。 – 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，不能影响其分布的刻度或形状的 任何其他方面。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。 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 1 、分位数回归原理 分位数回归是对如上简单形式的扩展。 ( ) rob( ) F y Y y ? =P 假定随机变量 y 的概率分布函数 Q( )=inf{ : ( ) } y F y ? ? ? 定义 y 的 θ 分位数 Q ( )=inf{ : ( ) } n n y F y ? ? ? 给定 y 的 n 个观测值，相对应的 分位数 : : Q ( )=argmin { | | (1 ) | | } =argmin { ( )} i i n i i i i Y i Y i Y Y Y ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 等价地转化为求一个最优化问题 如果 Y 的条件分位数由 k 个解释变量 X 线性组合表示，即 Y 的 θ 条件分位数被定义为： Q( | , ( ))= ( ) i i ? ? ? ? X β X β 分位数回归参数估计量为 ( ) ( )=argmin { ( ( ))} i i n i Y ? ? ? ? ? ? ? ? ? ? β X β 2 、分位数回归估计方法 ? 参数估计方法有两类： – 一类是直接优化方法，例如单纯形法、内点法等； – 一类是参数化方法，例如结合 MCMC （ Markov Chain Monte Carlo ）的贝叶斯估计方法。 – 常用的计量经济和统计软件都可以实现对分位数回