R中怎么做加权最小二乘_Stata+R：分位数回归一文读懂

NEW！连享会·推文专辑：
Stata资源 | 数据处理 | Stata绘图 | Stata程序
结果输出 | 回归分析 | 时间序列 | 面板数据 | 离散数据
交乘调节 | DID | RDD  |  因果推断 |  SFA-TFP-DEA
文本分析+爬虫 | 空间计量 | 学术论文 | 软件工具

连享会学习群-常见问题解答汇总：
?  WD 主页：https://gitee.com/arlionn/WD

? 连享会主页：lianxh.cn

  连享会 · 名师讲坛

 
? 空间计量 专题
⌚ 2020.12.10-13

? 主讲：杨海生 (中山大学)；范巧 (兰州大学)

? 课程主页：https://gitee.com/arlionn/SP

  连享会 · 计量专题

 
? Stata 数据清洗实战系列(第二季)
⌚   2020.11.28，19:00-21:00，88 元
? 课程主页：https://gitee.com/arlionn/dataclean

谢雁翔 (南开大学)，xyxmask1995@163.com
钟舜斌 (北京工商大学)，1315829300@qq.com

编者按: 本文部分参考了游万海老师的分位数回归讲义和陈强老师的《高级计量经济学及Stata应用》，特此致谢！

---

目录

• 1. 引言

  • 1.1 均值回归与条件分布

  • 1.2 分位数回归

• 2. 分位数回归初识

• 3. 分位数回归模型与 Stata 实现

  • 3.1 生成随机模拟数据

  • 3.2 分位数模型估计及 Stata 实现

  • 3.3 Wald 检验

  • 3.4 系数可视化

• 4. 面板分位数回归

  • 4.1 Koenker (2004)

  • 4.2 Canay (2011)

  • 4.3 Machado and Silva (2019)

  • 4.4 Powell (2015)

• 5. 更多参考资料

---

1. 引言

在此前的推文中，我们对分位数回归和面板分位数回归都做过简单介绍，参见：

• Stata：分位数回归简介
• Stata: 面板分位数回归

本文通过几篇论文的实操对分位数回归进行更为全面的介绍，内容涉及：分位数回归的基本思想、面板分位数回归、边际效应估计及图示等。

1.1 均值回归与条件分布

一般回归模型中着重考察的是解释变量 对被解释变量 的条件均值 的影响，又可看作「均值回归」，但是 刻画的是条件分布 集中趋势，若 是非对称分布，则 就不能很好地反映整个条件分布。如果能够得到 的重要分位数信息，如 1/4 分位数、中位数、3/4 分位数等，则可以更全面的认识 。

从实际来看，分位数信息也十分重要，比如，在评估某项干预对受众群体的影响时，我们不但希望了解干预的「平均」影响，更希望掌握干预对位于特征分布不同位置 (分布末端或顶端) 人群的「异质性」影响。

1.2 分位数回归

针对样本数据「异质性」特征，常用做法是根据数据特征进行「分组回归」，但这样的做法会导致「样本数据的损失」。为此，Koenker 和 Bassett (1978) 提出「分位数回归 (Quantile Regression, QR)」，并使用残差绝对值的加权平均 (如，) 作为最小化的目标函数，尽可能减小极端值的影响。

由此可知，通过设置不同的分位点，分位数回归模型可以全面的刻画解释变量与被解释变量之间的关系。此外，相比于普通的线性回归 (均值回归)，分位数回归的估计结果对「偏态、多峰和异常值数据」更为稳健。

2. 分位数回归初识

对一个随机变量 和任意一个 到 之间的数 ， 如果 的取值 满足 ，则 是 的 分位数。上述过程语言表述为，在某个样本集中，从小至大排列之后，小于某值的样本子集占总样本集的比例。

有一组数据 ，如何找到一个数 ，使得其和 中的元素尽可能的接近？—— 求数据的「集中趋势: 平均值」。更一般地，设 为最靠近该组数据的中心，则最小化残差平方和就是样本均值。

即：

对 求偏导，得：

可得：

将标量 换成自变量 的线性方程 ， 则有:

令 ，上式则变换为：

对应参数 的解即为线性回归模型 的估计值。

(1) 如果损失函数定义为二次函数 ，那么 ，即 对应的解则为最小二乘估计的解。

(2) 如果损失函数定义为 ，那么 ，即 对应的解则为最小一乘估计的解。

(3) 如果损失函数定义为:

则：

即为对应下式的解：

损失函数就是上述例子中模型所表现的误差，最小化损失函数的过程其实是通过损失函数反过来优化模型参数。设分位点 = 0.9，则损失函数为: