面板数据模型的惩罚复合分位回归方法_朱利荣.pdfVIP

DOI:10.13546/ki.tjyjc.2022.13.008 理论 探讨 面板数据模型的惩罚复合分位回归方法 朱利荣，胡超竹，罗幼喜 （湖北工业大学 理学院，武汉 430068） 摘 要：针对含个体效应的面板数据模型，文章提出了一种带AdaptiveLasso惩罚的复合分位回归方法来 估计回归系数。通过对模型两边左乘一个合适的幂等矩阵有效地消除了个体效应的影响，并使用MM算法迭 代求解未知参数，用SIC准则对惩罚参数进行选取。同时，利用蒙特卡洛方法模拟了在不同误差和不同稀疏模 型下回归系数的估计和选择情况，并与最小二乘回归、中位回归、复合分位回归估计结果进行对比，最后用实例 数据进行验证。结果表明：带AdaptiveLasso惩罚的复合分位回归方法能够对回归系数进行精确估计，且其在 稀疏模型上相比稠密模型具有更好的表现。在变量选择问题上，带AdaptiveLasso惩罚的复合分位回归方法能 够很好地排除无关解释变量的影响。 关键词：面板数据；AdaptiveLasso惩罚；复合分位回归 中图分类号：C81 文献标识码：A 文章编号：1002-6487（2022）13-0040-06 好的估计，因而被很多学者广泛拓展于各种模型中。例如 [5] 0 引言 吕亚召等（2014）基于复合分位回归来实现部分线性单指 标模型中的参数估计问题，其采用复合最小化平均分位数 近年来，面板数据在生物、教育、心理学和计量经济学 损失的估计方法并在文中证明了所提方法具有很好的优 [6] 等领域有着十分广泛的应用。学者对于面板数据模型的 良性质；徐洁和杨宜平（2018）首次将CQR应用到面板数 研究，最初是讨论在给定相关解释变量的前提下响应变量 据中，这是一个新的突破，通过对模型式子两边同时乘以 的均值变化规律，这种研究方式由于只考虑了变量的均值 一个幂等矩阵消除了个体效应，并进行了蒙特卡洛模拟研 信息，忽略了很多其他外在信息因而存在诸多弊端，在方 究，结果显示估计效果很好，优于其他传统方法，并在一定 [1] 法上有待改进。Koenker和Bassett（1978）首次提出了分 条件下证明了所得到的估计量具有大样本渐近正态性；罗 [7] 位回归模型（QuantileRegression，QR），这与研究响应变量 登菊等（2019）随后又将复合分位回归引入随机效应模型 均值信息有很大差异，该模型可以对响应变量的任意条件 中，经理论和模拟研究，表明在一定的样本容量下，CQR能 分位数进行统计推断与研究，此