分位数回归课件.pptVIP

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。在残差检验、回归系数检验、模型设定、预测等方面则基本相同。 对一个样本，估计的分位数回归式越多，对被解释变量yt条件分布的理解就越充分。 以一元回归为例，如果用LAD(最小绝对离差和)法估计的中位数回归直线与用OLS法估计的均值回归直线有显著差别，则表明被解释变量yt的分布是非对称的。 如果散点图上侧分位数回归直线之间与下侧分位数回归直线之间相比，相互比较接近，则说明被解释变量yt的分布是左偏倚的。反之是右偏倚的。 对于不同分位数回归函数如果回归系数的差异很大，说明在不同分位数上解释变量对被解释变量的影响是不同的。 三、分位数回归的假设检验 分位数回归估计的检验包括两部分： 一是与均值回归类似的检验，例如拟合优度检验、拟似然比检验和Wald检验等； 一是分位数回归估计特殊要求的检验，例如斜率相等检验和斜率对称性检验等。 1、拟合优度检验 假设分位数回归直线为 将解释变量矩阵和参数向量都分为两部分，即 和 ，且有 定义： 无约束分位数回归目标函数 约束的分位数回归目标函数 拟和优度准则表达式如下： 因为 ，所以R*(τ)的值在0和1之间，解释变量的作用越强， 越远远小于 ， R*(τ)越接近于1，反之，越接近于0。所以可用来考察解释变量对被解释变量第τ分位数回归拟和的好坏。 2、拟似然比检验 Koenker和Machado(1999)根据目标函数在施加约束条件前后得到的两个极小值构造了两个拟似然比检验统计量（QLR）。两统计量的表达式如下： 两个统计量都渐近服从自由度为q的卡方分布，其中q是原假设目标函数中约束条件的个数。 和 分别代表有约束的和无约束目标方程的极小值。s(τ)是分位数密度函数。 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