分位数回归（QuantileRegression）原理与应用.docxVIP

分位数回归（QuantileRegression）原理与应用

一、引言：从条件均值到条件分布

（一）传统均值回归的贡献与局限

在社会科学、经济学、医学和金融学等众多经验研究中，回归分析是最常使用的统计工具之一。经典线性回归模型的核心目标是估计因变量在给定自变量条件下的平均水平，也就是条件均值。它以最小化误差平方和为基础，在误差项满足正态分布、同方差等条件下，能够给出无偏、有效且易于解释的参数估计。长期以来，条件均值回归为因果推断、预测和政策评估提供了坚实基础，帮助研究者理解变量之间的平均关联。

然而，条件均值回归也存在明显局限。它只回答“平均而言”自变量如何影响因变量，却无法揭示影响是否在不同位置存在差异。例如，在教育收益研究中，教育年限增加一年对平均工资的贡献可能掩盖了低收入群体与高收入群体之间的不同回报。如果教育对低收入劳动者的收入提升作用更大，那么只关注平均效应就会忽略这一重要信息。同样，在金融风险分析中，投资者更关心的往往不是平均收益，而是极端损失出现的概率和幅度。此时，仅依赖均值回归会导致对尾部风险的严重低估。

从统计角度看，均值是分布的一个汇总指标，但它并不足以描述整个条件分布。当因变量分布呈现出偏态、厚尾、异方差或多峰特征时，条件均值甚至可能具有误导性。因此，研究者越来越需要一种能够刻画条件分布不同位置的方法，而不仅仅停留在平均水平上。

（二）分位数回归的提出与基本指