贝叶斯分位数回归法.docxVIP

贝叶斯分位数回归法

TonyLancaster,DepartmentofEconomics,BrownUniversityTonyLancaster,DepartmentofEconomicsandCAPCP,PennsylvaniaState

University第一版2006年5月本版2008年8月

摘要

本文主要研究运用贝叶斯指数倾斜经验似然估计推断分位数回归。在简单的分位数回归中，我们所展现的具体形式暗含了这种方法和贝叶斯自助以及杰弗里斯方法的对比。分位数回归得到的是后验密度的渐进形式。我们用限制正常分布的超分布形式形成的预设样本检验MCMC计算。当工工具变量不太弱时，这种算法对模型中的内生变量非常有效。

关键词：贝叶斯推断经验似然工具变量弱识别1.引言

SchennaSchennachch(2005)的近期研究I：作开启了通往分位数回归的贝叶斯处理方法的路径。在本文中我们将解释当回归变量是外生的以及当变量是内生的但是可以获得工具变量时，这种方法如何适用于分位数回归。我们给出了分为数的后验密度的明确形式和与杰弗里斯方法(1961)的对比。我们运用真实数据和模拟数据举出儿个例子，并解释有一个与内生变量弱相关的工具变量的回归结果。

4=argmin^exp(?7,gb+亿g2J“f=l

然后根据(5)计算后验概率密度。

例I：鱼的需求。图3描绘出一个样木为111,在均匀概率密度下，a(0.5)和/?(0.5)的联合概率密度。图数据来源于Graddy，s(1995)鱼市场，Y为交易数量的对数，X为价格的对数。3中的概率密度是在。，月变量100X100格上进行估计的。由图可以看出密度包括相邻的平面。的边缘概率密度可以通过格子的行或列的加总进行计算。图4显示的是用这种方法找到的0.5分位数处的鱼的需求价格弹性的边缘概率密度。分位数同归估计的”(0.5)为-0.41,与边缘后验概率密度模式接近。(分位数同归是在R中运用rq(Q?P)计算出来的，其中Q和p分别为交易数量和价格的对数)。

JointPosteriorDensityinSimpleQuantileRegression

图3：鱼的中间分位数需求曲线中联合概率密度的斜率和截矩。

ElasticityofDemandatthe0.50Quantile

b曲(0.5)

图4：鱼的需求弹性边缘概率密度。通过合并图3中的截矩组联合后验概率密度得出。

6内生协变量分位数

应用于样本价格与数量的分位数回归忽略了在市场平衡时变量的同趋势性。这个问题可以使用工具变量来解决。

根据ChernozhukovandHansen(2006),考虑卜列模型

Y=O/(U)+X/(U),U|X,Z~U(0,l)

其中，D依赖于U,O/(t)+X0(Q在t范围内严格递增，Z是一组独立于U但是与D高度相关的工具变量。Da0)+Xf33)是Y在X,Z条件下的第t分位数。即,

Pr(YDa(r)4-X,/7(r)|X,Z)=t(15)

表达式

Da(r)+X[3(r)是Chernozhukov和Hansen提到的作为一，个结构分位数函数。式子(15)得到的矩条件，其最简单的形式为：

E(X,(l{y『zya(r)+XM(f)}r))=O和顼Z,(l{y,?Dta(T)+X,1^(r)}-r))=0

我们在使用Betel方法时可以使用这些矩条件。我们说明首先使用模拟数据设计来掌握当工具变量与D相关或者不相关(在线性回归模型估计有困难的情况)时的变化规律。

例2仿真数据在下面的例子中数据产生于X=1和8个工具变量(它们是来自N((),I8)Z的列数据)。Y通过下列式子产生

匕=%(Uj)+伙叫)和Dt=/0+Z/]+匕m)

m)

m)011().8

m)

01

1

().8

0.8

丁二0.5,n=500,我们指定a(s)=1,sG(0,1)。第一次实验中，的8个元素等于1,在第二次试验中，他们被设定为0.1。后面的选择是为了代替弱相关的工具变量。图5和图6展现了。(0.25)和”(0.25)的联合后验概率密度以及在0.25分位数回归方程哦斜率和截矩。图5表明，当兀=1时，后验联合概率密度可以很好的接近真实值。图6,当工具变量弱相关时，显示了明显的多峰厚尾分布。没有在这展现的进一步实验结果表明由于工具变量的系数接近于0,联合概率密度表现出多种形式和厚尾分布。

图5：样本容量为500,0.25分位数回归，斜率和截矩的联合概率密度。

0.09-0.08-0.07

0.09-

0.08-

0.07-