计量经济学第4章 分位数回归模型.pptVIP

计量经济学-第4章 分位数回归模型 第4章 分位数回归模型 第一节 随机变量分位数与损失函数 第二节 分位数与分位回归 第三节 分位回归建模（Model Building) 第一节 随机变量分位数与损失函数一、随机变量的分布函数与分位数 二、经验分布函数 二、损失函数 不同损失函数图形比较 三、损失函数的数学期望及其极小值点 四、损失函数的数学期望的估计 第二节 分位数与分位回归 * 分位数回归（Quantile Regression）最早由Koenker和Bassett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。 分位数回归的基本思想和系数估计 假设随机变量 Y 的概率分布为： Y 的? 分位数定义为满足 F(y) ? ? 的最小y值，即： 的分位点可以由最小化关于的目标函数得到，即： 其中，argmin?{?}函数表示取函数最小值时 ? 的取值， ??(u) ? u(? ? I(u 0)) 称为检查函数（check function），依据 u 取值符号进行非对称的加权。 考察此最小化问题的一阶条件为： 即F(?) = ?，也就是说F(Y)的第? 个分位数是上述优化问题的解。 F(y) 可以由如下的经验分布函数替代： 其中 y1，y2，…，yn 为Y 的 N 个样本观测值；I(z) 是指示函数，z 是条件关系式，当 z 为真时，I(z) = 1；当 z 为假时，I(z) = 0。 相应地，经验分位数为： 式（4.7.3）可以等价地表示为下面的形式： 现假设Y的条件分位数由k个解释变量组成的矩阵X线性表示： 其中，xi =(x1i，x2i，…，xki)? 为解释变量向量，?(? ) =(?1，?2，…，?k )?是? 分位数下的系数向量。当? 在 (0, 1) 上变动时，求解下面的最小化问题就可以得到分位数回归不同的参数估计： 特别地，当? = 0.5 时为最小绝对值离差法（Least Absolute Deviations, LAD）。另外，分位数回归的系数估计需要求解线性规划问题，很多种方法可以对此问题进行求解。 系数协方差的估计 1．独立同分布设定下协方差矩阵的直接估计方法 （1）Siddiqui 差商法 （2）稀疏度的核密度估计量 2．独立但不同分布设定下协方差矩阵的直接估计方法 3．自举法（Bootstrap） （1）X-Y自举法 （2）残差自举方法 （3）马尔可夫链边际自举法 模型评价和检验 1．拟合优度 与传统的回归分析的拟合优度R2类似，分位数回归模型也可以计算拟合优度。在分位数回归中，参数估计是通过 得到的。将数据写为 xi = (1，x?i1)?，?(? ) = ( ?0(? ), ?1(? )?)?，可以写为 最小化 ? 分位数回归的目标函数（objective function），得到 回归方程中只包含常数项情形下，最小化分位数回归的目标函数（objective function），得到 定义分位数回归方程的Machado拟合优度为