分位数回归（QuantileRegression）的应用实例.docxVIP

分位数回归（QuantileRegression）的应用实例

一、分位数回归的基本内涵与应用发展脉络

（一）分位数回归的核心内涵

分位数回归是一种用于分析自变量对因变量分布影响的计量研究方法，与传统的均值回归不同，它不局限于估计自变量对因变量平均水平的影响，而是可以针对因变量条件分布的不同位置，也就是从低分位到高分位的各个分位点，分别估计对应的影响系数，从而完整刻画出自变量对因变量整个分布的作用轨迹。这一方法的理论框架最早由计量经济学家Koenker与Bassett提出，核心逻辑是通过最小化加权绝对偏差来得到不同分位的参数估计，为研究变量之间的异质性关系提供了全新的视角（KoenkerBassett，1978）。简单来说，传统均值回归回答的是“平均来看，自变量对因变量有多大影响”，而分位数回归可以回答“对于处于因变量分布不同位置的群体，自变量的影响分别有多大”，这一特性让它特别适合研究存在群体差异的社会经济问题。

（二）分位数回归相比传统回归的核心优势

相较于应用最广泛的传统均值回归，分位数回归的优势主要体现在三个方面。首先是估计结果更稳健，不容易受极端值的干扰。传统均值回归基于最小化平方偏差的逻辑，极端值会对估计结果产生较大的拉动作用，而分位数回归尤其是中位数回归，对极端值的敏感度很低，在存在异常值的样本中估计结果更可靠。其次是方法假设更宽松，不需要满足同方差的经典假设。传统