分位数回归原理_Stata: 分位数回归简介

作者：武翰涛 (南京邮电大学)

• Stata连享会 计量专题  || 公众号合集

2020寒假Stata现场班 (北京, 1月8-17日，连玉君-江艇主讲)

「+助教招聘」

2020寒假Stata现场班

1. 引言

在多数实证分析中，我们关注的焦点都在于考察解释变量  对被解释变量  的影响，其思想是从平均数的角度去分析得到参数结果，即均值回归。但均值回归往往会受到极端值的影响，使得参数估计变得很不稳定 (在执行分组回归时这一问题尤其突出)。另一方面，基于 OLS 的线性回归模型只能让我们分析  对  的平均影响效果。而当，条件分布  不是对称分布时，条件期望  很难反映整个条件分布的全貌。如果能估计条件分布  的若干重要条件分布，就能对条件分布  有更全面的认识[1]。

2. 分位数回归模型

2.1 总体分位数

假设  为连续型随机变量，其累积分布函数为 ，则  的“总体  分位数”，记为 ，满足以下定义式：

即总体  分位数正好将总体分布分为两部分，其中小于或等于  的概率为，而大于  的概率为 。如果  则为中位数，正好将总体分为两个相等的部分，一半在中位数之上，而另一半在中位数之下。如果  严格单调递增，则有

其中， 为  的逆函数。

对于回归模型而言，记条件分布  的累积分布函数为 。条件分布  的总体  分位数，记为 ，满足以下定义式：

假设严格单调递增，则有

由于条件累积分布函数  依赖于 ，故条件分布  的总体  分位数  也依赖于 ，可以明确地写为 ，称为 ”条件分位数函数“。换言之，条件分位数函数  是解释变量  的函数。更进一步，对于线性回归模型而言，如果扰动项满足同方差的假定，或扰动项异方差的形式为乘积形式，则  是  的线性函数[2]。

2.2 样本分位数

对于随机变量  ，如果总体的q分位数  未知，则可以使用样本  分位数  来估计  。通常的做法是，首先将样本数据  按照从小到大的顺序排列为  ，则  等于第  个最小观测值，其中  为样本容量，  表示大于或等于nq并离nq最近的正整数。比如n=95&#