分位数回归原理_分位数回归与Stata基本命令

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<