在经典回归模型中,最小二乘估计法(Ordinary Least Square,OLS)是实证中最常用到的回归估计方法,没有之一。其中,标准OLS关注解释变量 x 对被解释变量 y 在有条件下的均值变化,一般称为条件均值 E(Y|X) ,即均值回归:OLS 回归估计得到的是解释变量对被解释变量的条件均值变化情况,其估计有效准确的前提是干扰项服从正态分布(Normal distribution)。但是,我们所关心的不仅仅是解释变量对条件分布Y|X的影响情况,而是整个条件分布的变化情况,包括均值在内的其余诸多分位点, E(Y|X)只是刻画条件分布Y|X集中趋势的一个指标而已,难以反映整个条件均值的全貌。此外,在OLS估计中,最小化的函数为残差平方和,容易受到极端值的影响使得估计偏离实际水平。
从实证角度出发,部分研究者可能对 y|x 分布的其它重要分位数点的被解释变量变化更感兴趣,原因在于这类研究者的研究对象分布多呈现非对称分布(左偏或右偏分布)。例如,劳动经济学家研究教育投资对收入的影响时,若想探究何种收入水平的阶层受到教育投资的回报率最大,就需要更关注低、中、高三种群体的收入水平。特别地,在不平等、收入分配等领域,分位数回归得到了极大的应用与发展。
分位数回归估计基本命令<