张晓峒分位数回归讲义.docxVIP

第 15 章 分位数回归模型 总体分位数和总体中位数 总体中位数的估计 分位数回归 分位数回归模型的估计 分位数回归模型的检验 分位数的计算与分位数回归的 EViews 操作 分位数回归的案例分析 以往介绍的回归模型实际上是研究被解释变量的条件期望。 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 Koenker 和 Bassett（1978） 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。 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。 分位数回归的优点是， （ 1）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。 另外， 中位数回归的估计方法与最小二乘法相比， 估计结果对离群值则表现的更加稳健， 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。 15.1 总体分位数和总体中位数 在介绍分位数回归之前先介绍分位数和中位数概念。 对于一个连续随机变量 y,其总体第t分位数是y（T的定义是：y小于等于y（T的概率是t即 t= P（ y wy（T）= F（y（? 其中P（）表示概率，F（y（））表示y的累积（概率）分布函数（cdf）。 比如y（0.25）= 3，则意味着y W3的概率是0.25。且有 y@ = F-1（y（-）） 即F（y（f的反函数是y（）。当肯0.5时，y（9是y的中位数。肯0.75时，y（-）是y的第3/4分位数， =0.25 时，y@ 是 y 的第 1/4 分位数。若 y 服从标准正态分布，y（o.5）= 0, y（o.95）=1.645, y（o.975）=1.960。 另外，如果随机变量y的分布是对称的，那么其均值与中位数是相同的。 当其中位数小于均 值时,分布是右偏的。反之,分布是左偏的。 对于回归模型，被解释变量yt对以X为条件的第t分位数用函数y（mX表示，其含义是：以 X为条件的yt小于等于y（）tX的概率是 恋这里的概率是用 yt对X的条件分布计算的。且有 y@tX = F-1（y（）tX） 其中F（y（T）tX）是yt在给定X条件下的累积概率分布函数 （cdf）。则y（讥X称作被解释变量yt对X 的条件分位数函数。而F （y（）tX）= f （y（T）tX）则称作分位数概率密度函数。 其中F（y@tX）表示F（y（）tX） 对y@tX求导。 15.2总体中位数的估计 在介绍分位数回归之前， 先来看中位数的估计和中位数回归。 下面以连续变量为例介绍定理 15.1。 定理15.1 连续变量用y表示，其概率密度函数用 f(y)表示，累计概率密度函数用 F(y)表示，y的中位 数用y(o.5)表示，则 证明： y与任一 值 的离差绝对值的期望 E( y )以-y(o.5)时为最小。 E(y |) = - _ (y )f (y)dy (y )f(y)dy =- -(y )dF(y) (y )dF(y) (15.1) 根据莱布尼兹公式，若 b F( ) f(y, a )dy，则有F b f (y () a 」dy。令 f(y, ) y-，则 若 b (y- 有F () a —dy - b dy。运用于式( a 15.1),得 E(yt )= -(y )f(y)dy (y )f(y)dy --dF(y)- dF(y) = F()- [1- dF(y)] F ()-(1-F()) 2F( )-1 式(15.1)求极小的一阶条件是 旦^—— =0，即2F( )-1=0，F( ) 0.5。这意味着 等 于中位数y(o.5)。 =y?5) 与定理15.1等价的表述是 y 以=y(0.5)(中位数)时为最小。因此，中位数回归估计 量可以通过最小绝对离差法(least absolute deviation, LAD )估计。其中X和分别为(k 1)阶列向 量。 同理，对于线性回归模型 yt = X + ut,通过求 yt X ?(o.5)最小，估计 的中位数回归系 数估计量go。，从而得到yt的中位数回归估计量(y(o.5)tX) X?(