分位数回归（Stata）

最新推荐文章于 2024-12-13 14:56:26 发布

liumanmanll

最新推荐文章于 2024-12-13 14:56:26 发布

阅读量4.5w

点赞数 32

分类专栏：分位数回归 Stata

本文链接：https://blog.csdn.net/m0_38008512/article/details/103897202

版权

本文通过分位数回归分析成都空气质量指数（AQI），探讨了线性回归模型的局限性，强调分位数回归的稳健性和不受离群点影响的优势。实证分析发现，PM2.5、PM10、SO2、CO和NO2对AQI有显著影响，其中PM2.5影响最大。O3浓度在不同分位数模型中影响程度不同，展示出分位数回归在处理非正态分布数据时的有效性。通过分位数回归模型优化，揭示了数据在不同位置的特征，进一步证实了分位数回归在空气质量研究中的价值。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

基于分位数回归的成都空气质量指数的数据分析

空气质量指数计算公式为：

$I=\frac{I_{high}-I_{low}}{C_{high}-C_{low}}(C-C_{low})+I_{low}$

（1）线性回归模型得到的是一种条件均值，并未考虑到因变量总体上的分布特征，在需要了解因变量位置（分位数）上的信息时，线性回归就显示出了不足。

（2）线性（均值）回归模型最基本的假设之一正态分布，随机误差且独立时，通过最小二乘法得到的参数估计值是最小方差无偏估计。但是现实生活中大多数数据是不满足正态分布的，这时如果仍然用线性回归模型进行分析，由于在假设检验中值的计算依赖正态性假设，可能会造成值的有偏性，从而导致假设检验无效。若样本数据中存在异方差性或数据的分布是尖峰厚尾的，最小二乘估计量则不具有上述的良好性质。

（3）当样本数据中有离群点存在时，用线性回归模型计算得到的参数估计值可能有较大的偏差，因此，在进行回归拟合时通常会是在去掉离群点后建立线性（均值）回归模型，但这会使离群点在一些社会科学研究中丧失研究意义。

而分位数回归模型相对于一般的线性（均值）回归模型来说，条件更为宽泛，可以描述因变量的全局特征，而不只是均值。另一方面，分位数回归模型具有稳健性，模型的估计值通常不受离群点的影响，从这一角度来说，分位数回归有较强的稳健性。

$Q_{\theta }(y|x)=X^T\beta (\theta )+b(\theta )$