什么是分位数回归

分位数回归(Quantile Regression)是计量经济学的研究前沿方向之一,它利用解释变量的多个分位数(例如四分位、十分位、百分位等)来得到被解释变量的条件分布的相应的分位数方程。

与传统的OLS只得到均值方程相比,分位数回归可以更详细地描述变量的统计分布。它是给定回归变量X,估计响应变量Y条件分位数的一个基本方法;它不仅可以度量回归变量在分布中心的影响,而且还可以度量在分布上尾和下尾的影响,因此较之经典的最小二乘回归具有独特的优势。众所周知,经典的最小二乘回归是针对因变量的均值(期望)的:模型反映了因变量的均值怎样受自变量的影响,

y=βX+ϵy=βX+ϵ,E(y)=βXE(y)=βX

分位数回归的核心思想就是从均值推广到分位数。最小二乘回归的目标是最小化误差平方和,分位数回归也是最小化一个新的目标函数:

minξ∈R∑ρτ(yi−ξ)minξ∈R∑ρτ(yi−ξ)

quantreg包

quantreg即:Quantile Regression,拥有条件分位数模型的估计和推断方法,包括线性、非线性和非参模型;处理单变量响应的条件分位数方法;处理删失数据的几种方法。此外,还包括基于预期风险损失的投资组合选择方法。

实例

library(quantreg)  # 载入quantreg包
data(engel)        # 加载quantreg包自带的数据集分位数回归(tau = 0.5)
fit1 = rq(foodexp ~ income, tau = 0.5, data = engel) r1 = resid(fit1) # 得到残差序列,并赋值为变量r1 c1 = coef(fit1) # 得到模型的系数,并赋值给变量c1 summary(fit1) # 显示分位数回归的模型和系数 ` Call: rq(formula = foodexp ~ income, tau = 0.5, data = engel) tau: [1] 0.5 Coefficients: coefficients lower bd upper bd (Intercept) 81.48225 53.25915 114.01156 income 0.56018 0.48702 0.60199 ` summary(fit1, se = "boot") # 通过设置参数se,可以得到系数的假设检验 ` Call: rq(formula = foodexp ~ income, tau = 0.5, data = engel) tau: [1] 0.5 Coefficients: Value Std. Error t value Pr(>|t|) (Intercept) 81.48225 27.57092 2.95537 0.00344 income 0.56018 0.03507 15.97392 0.00000 ` 分位数回归(tau = 0.5、0.75) fit1 = rq(foodexp ~ income, tau = 0.5, data = engel) fit2 = rq(foodexp ~ income, tau = 0.75, data = engel) 模型比较 anova(fit1,fit2) #方差分析 ` Quantile Regression Analysis of Deviance Table Model: foodexp ~ income Joint Test of Equality of Slopes: tau in { 0.5 0.75 } Df Resid Df F value Pr(>F) 1 1 469 12.093 0.0005532 *** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 ` 画图比较分析 plot(engel$foodexp , engel$income,pch=20, col = "#2E8B57", main = "家庭收入与食品支出的分位数回归",xlab="食品支出",ylab="家庭收入") lines(fitted(fit1), engel$income,lwd=2, col = "#EEEE00") lines(fitted(fit2), engel$income,lwd=2, col = "#EE6363") legend("topright", c("tau=.5","tau=.75"), lty=c(1,1), col=c("#EEEE00","#EE6363"))

不同分位点的回归比较
fit = rq(foodexp ~ income,  tau = c(0.05,0.25,0.5,0.75,0.95), data = engel)
plot( summary(fit))

多元分位数回归

data(barro)fit1 <- rq(y.net ~ lgdp2 + fse2 + gedy2 + Iy2 + gcony2, data = barro,tau=.25)
fit2 <- rq(y.net ~ lgdp2 + fse2 + gedy2 + Iy2 + gcony2, data = barro,tau=.50)
fit3 <- rq(y.net ~ lgdp2 + fse2 + gedy2 + Iy2 + gcony2, data = barro,tau=.75)
# 替代方式 fit <- rq(y.net ~ lgdp2 + fse2 + gedy2 + Iy2 + gcony2, method = "fn", tau = 1:4/5, data = barro)anova(fit1,fit2,fit3)             # 不同分位点模型比较-方差分析 anova(fit1,fit2,fit3,joint=FALSE) ` Quantile Regression Analysis of Deviance Table Model: y.net ~ lgdp2 + fse2 + gedy2 + Iy2 + gcony2 Tests of Equality of Distinct Slopes: tau in { 0.25 0.5 0.75 } Df Resid Df F value Pr(>F) lgdp2 2 481 1.0656 0.34535 fse2 2 481 2.6398 0.07241 . gedy2 2 481 0.7862 0.45614 Iy2 2 481 0.0447 0.95632 gcony2 2 481 0.0653 0.93675 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Warning message: In summary.rq(x, se = se, covariance = TRUE) : 1 non-positive fis ` 不同分位点拟合曲线的比较 plot(barro$y.net,pch=20, col = "#2E8B57", main = "不同分位点拟合曲线的比较") lines(fitted(fit1),lwd=2, col = "#FF00FF") lines(fitted(fit2),lwd=2, col = "#EEEE00") lines(fitted(fit3),lwd=2, col = "#EE6363") legend("topright", c("tau=.25","tau=.50","tau=.75"), lty=c(1,1), col=c( "#FF00FF","#EEEE00","#EE6363"))

时间序列数据之动态线性分位数回归

library(zoo)
data("AirPassengers", package = "datasets")
ap <- log(AirPassengers)
fm <- dynrq(ap ~ trend(ap) + season(ap), tau = 1:4/5) ` Dynamic quantile regression "matrix" data: Start = 1949(1), End = 1960(12) Call: dynrq(formula = ap ~ trend(ap) + season(ap), tau = 1:4/5) Coefficients: tau= 0.2 tau= 0.4 tau= 0.6 tau= 0.8 (Intercept) 4.680165533 4.72442529 4.756389747 4.763636251 trend(ap) 0.122068032 0.11807467 0.120418846 0.122603451 season(ap)Feb -0.074408403 -0.02589716 -0.006661952 -0.013385535 season(ap)Mar 0.082349382 0.11526821 0.114939193 0.106390507 season(ap)Apr 0.062351869 0.07079315 0.063283042 0.066870808 season(ap)May 0.064763333 0.08453454 0.069344618 0.087566554 season(ap)Jun 0.195099116 0.19998275 0.194786890 0.192013960 season(ap)Jul 0.297796876 0.31034824 0.281698714 0.326054871 season(ap)Aug 0.287624540 0.30491687 0.290142727 0.275755490 season(ap)Sep 0.140938329 0.14399906 0.134373833 0.151793646 season(ap)Oct 0.002821207 0.01175582 0.013443965 0.002691383 season(ap)Nov -0.154101220 -0.12176290 -0.124004759 -0.136538575 season(ap)Dec -0.031548941 -0.01893221 -0.023048200 -0.019458814 Degrees of freedom: 144 total; 131 residual ` sfm <- summary(fm) plot(sfm)

不同分位点拟合曲线的比较
fm1 <- dynrq(ap ~ trend(ap) + season(ap), tau = .25)
fm2 <- dynrq(ap ~ trend(ap) + season(ap), tau = .50)
fm3 <- dynrq(ap ~ trend(ap) + season(ap), tau = .75) plot(ap,cex = .5,lwd=2, col = "#EE2C2C",main = "时间序列分位数回归") lines(fitted(fm1),lwd=2, col = "#1874CD") lines(fitted(fm2),lwd=2, col = "#00CD00") lines(fitted(fm3),lwd=2, col = "#CD00CD") legend("topright", c("原始拟合","tau=.25","tau=.50","tau=.75"), lty=c(1,1), col=c( "#EE2C2C","#1874CD","#00CD00","#CD00CD"),cex = 0.65) 

除了本文介绍的以上内容,quantreg包还包含残差形态的检验、非线性分位数回归和半参数和非参数分位数回归等等,详细参见:用R语言进行分位数回归-詹鹏(北京师范大学经济管理学院)和Package ‘quantreg’。

反馈与建议

  • 作者:ShangFR
  • 邮箱:shangfr@foxmail.com

转载于:https://www.cnblogs.com/jwg-fendi/p/10067139.html

用R语言的quantreg包进行分位数回归相关推荐

  1. R语言使用caret包构建岭回归模型(Ridge Regression )构建回归模型、通过method参数指定算法名称、通过trainControl函数控制训练过程

    R语言使用caret包构建岭回归模型(Ridge Regression )构建回归模型.通过method参数指定算法名称.通过trainControl函数控制训练过程 目录

  2. R语言使用glmnet包拟合lasso-cox回归模型(包含生存时间和结果标签)、使用lasso-cox模型进行特征筛选、使用sapply函数对特征数据进行标准化z-score

    R语言使用glmnet包拟合lasso-cox回归模型(包含生存时间和结果标签).使用lasso-cox模型进行特征筛选.使用sapply函数对特征数据进行标准化z-score 目录

  3. R语言使用glmnet包拟合lasso-cox回归模型(生存时间和结果标签)、lasso-cox模型进行特征筛选、plot函数可视化cv.glmnet模型获得的最佳lambda曲线位置及其1个标准差线

    R语言使用glmnet包拟合lasso-cox回归模型(包含生存时间和结果标签).使用lasso-cox模型进行特征筛选.plot函数可视化cv.glmnet模型获得的最佳lambda曲线位置及其1个 ...

  4. R语言使用xgboost包拟合xgboost回归模型、使用predict函数和训练好的模型进行预测推理、计算回归模型的评估指标MAE、MSE、RMSE

    R语言使用xgboost包拟合xgboost回归模型.使用predict函数和训练好的模型进行预测推理.计算回归模型的评估指标MAE.MSE.RMSE 目录

  5. R语言基于dcurves包绘制COX回归临床决策曲线

    因为R的rmda包做不了COX回归临床决策曲线,很多朋友都是通过ggdca包来绘制COX回归临床决策曲线,最近很多粉丝使用ggdca包来绘制COX回归临床决策曲线出现问题过来问我,我绘制的时候没发现什 ...

  6. R语言使用ggplot2包使用geom_violin函数绘制分组小提琴图(配置显示中位数、分位数)实战

    R语言使用ggplot2包使用geom_violin函数绘制分组小提琴图(配置显示中位数.分位数)实战 目录

  7. 三线表是什么?R语言使用table1包绘制(生成)三线表、构建不分层的三线表

    三线表是什么?R语言使用table1包绘制(生成)三线表.构建不分层的三线表 目录

  8. R语言使用psych包进行探索性因子分析EFA、使用cov2cor函数将原始数据的协方差矩阵将其转换为相关性矩阵( covariance matrix into correlation matrix)

    R语言使用psych包进行探索性因子分析EFA.使用cov2cor函数将原始数据的协方差矩阵将其转换为相关性矩阵( covariance matrix transform into correlati ...

  9. R语言使用table1包绘制(生成)三线表、使用单变量分列构建三线表、编写自定义函数在三线表中添加p值

    R语言使用table1包绘制(生成)三线表.使用单变量分列构建三线表.编写自定义函数在三线表中添加p值 目录

最新文章

  1. 获取地区html代码,根据ip地址获取所在城市信息(省市县)代码
  2. 探索从 MVC 到 MVVM + Flux 架构模式的转变
  3. swift_006(Swift的元组)
  4. 结对编程--基于android平台的黄金点游戏
  5. HTML Canvas
  6. 利用Theme自定义Activity进入退出动画
  7. tensorboard可视化经常出现的两个问题
  8. linux 获取计算机IP地址、MAC、操作系统、时间、DNS
  9. java学习笔记之DBUtils工具包
  10. 为什么现在电脑基本没有病毒了?
  11. php array walk 效率,php代码优化系列(二) -- array_walk 和 foreach, for 的效率的比较...
  12. 跳槽加薪?调研数据告诉你,提升这些技能最有用
  13. 与roc的区别_2020斯柯达柯珞克Karoq对比大众T-ROC,你会选哪个?
  14. 通过Python将不同的附件发给不同的收件人
  15. npm install报gyp info it worked if it ends with ok
  16. CentOS 7中利用Snapper快照进行系统备份与恢复
  17. 初学盲打,免费,免安装,高颜值的在线打字练习网站
  18. 把uTorrent做成绿色版
  19. 分割评价指标MIOU
  20. 培养气质的98个好习惯

热门文章

  1. 25个故事性网页设计,轻松讲述网页独有的故事!!!
  2. Android 关于文件存储路径的总结
  3. 【SpringBoot系列】最详细demo- 集成Shiro权限管理
  4. java ac自动机_AC自动机算法详细讲解(入门)
  5. 学习是一种享受,就为自己心情愉悦
  6. MATLAB绘制四维图形(多一维为伪彩色图)
  7. leetcode 622——设计循环队列
  8. 关于Spring那些事(一)
  9. 格式化标签、粗体、下划线等
  10. HASH和HMAC(1):HASH和HMAC概述