分位数回归原理_stata操作记录：分位数回归

为什么需要分位数回归

 ======================

 ■ 此前的模型在估计什么？

 *  解释变量 x 对被解释变量 y 的条件期望 E(y|x) 的影响，实际上是 “ 均值回归 ”

 ■ 我们真正关心的是什么？

 *  我们想知道 x 对整个条件分布 y|x 的影响

 *

 * -  条件期望 E(y|x) 只刻画条件分布 y|x 几种趋势的一个指标而已

 *  如果条件分布 y|x 不是对称分布，则条件期望 E(y|x) 很难反映整个条件分布的全貌

 *

 * - OLS 的古典均值回归，最小化目标函数值未残差平方和

 * 容易受极端值的影响

 *  如果能够估计出条件分布 y|x 的若干重要的条件分位数

 *  就能对条件分布 y|x 有更全面的认识

 ■ 分位数回归

 * Koenker & Bassett() 提出 “ 分位数回归 ” ( Quantile Regression )

 *  使用残差绝对值的加权平均作为最小化的目标函数，不容易受极端值影响

 *  因此较为稳健(这一点很重要！！！)

 *  更重要的是，分位数回归能够提供关于条件分布 y|x 的全面信息

 ■ 如何理解分位数回归结果？