分位数回归及Stata实现

全文阅读：https://www.lianxh.cn/news/2adcb04d9db8e.html

目录

• 0. 简介
• 1. 分位数回归基本命令：qreg
• 2. 分位数回归绘图命令： grqreg
  • 举例
• 3. 广义分位数回归 (generalized quantile regression) 命令： genqreg
  • 例子
• 4. 面板数据分位数回归命令：qregpd
  • 例子
• 4. 非条件分位数固定效应模型回归命令： xtrifreg

0. 简介

最小二乘法 (OLS) 是在实证中最常用到的回归方法。标准的最小二乘线性回归，关注解释变量 x 对被解释变量 y 的 条件均值  的影响。OLS 回归关注的是因变量的条件均值函数。然而，实证中，研究者可能对  分布的其它重要分位数感兴趣。例如，劳动经济学家研究性别收入差距不平等问题时，若想探究高收入女性是否更难获得升职机会，就需要更关注女性群体收入的 90% 分位数水平。

与 OLS 不同，分位数回归估计的是解释变量 x 与被解释变量 y 的 分位数 之间线性关系。OLS 回归以残差平方最小化  作为目标，中位数回归则目标最小化离差绝对值 。对于分位数回归，其目标为最小化非对称性绝对值残值。

以  表示分位数水平，分位数回归估计量  最小化目标函数

相较于 OLS， 分位数回归的优点主要是：更全面描述解释变量 x 和被解释变量 y 的关系。实际上，在不同分位数上，因为解释变量 x 对被解释变量 y 可能影响不同，因此分位数回归系数可能和 OLS 的回归系数不同。

全文阅读：https://www.lianxh.cn/news/2adcb04d9db8e.html