分位数回归方法及其应用.pptxVIP

分位数回归（QR）方法及其应用;第一部分：方法介绍;分位数回归（QR）产生的根源;

分位数回归的思想;分位数的概念;分位数回归思想的数学公式化;对于其他的第分位数,我们可以求解下式：

等价的表示为：

其中，为

示性函数。;对于一般线性条件均值函数，通过求解

得到参数估计值。而一般线性条件分位数函数为，通过求解得到参数估计值

对于任意的，估计称为第分位数下的回归系数估计。;分位数回归参数的估计方法（点估计）;1.单纯形算法(SimplexMethod)：该算法估计出来的参数具有很好的稳定性，但是在处理大型数据时运算的速度会显著的降低（见KoenkerandOrey，1993)。

2.内点算法(InteriorPointMethod)：内点算法对于那些具有大量观察值和少量变量的数据集运算效率很高（见PortnoyandKoenker,1997)。

3.平滑算法(SmoothingMethod)：平滑算法在理论上比较简单，它适合处理具有大量观察值以及很多变量的数据集(见Chen,2004)。

其他方法:如adaptivemethod等。;依据目前的文献，区间估计方法也可分为三种：

1.直接估计法(DirectEstimationMethod)，见Koenker和Bassett(1982)以及Koenker和Machado(1999)。该方法依据估计出来的回归分位系数的渐进正态性来计算置信区间。比较有代表性的是Sparsity算法，它是一种最直接且运算速度也最快的算法，但该算法得到的估计值对于随机项为独立同分布这一假设十分敏感。

2.秩得分法(RankScoreMethod)，见Koenker(1994)。秩得分法算法比较简单，但是对于大型数据处理效率较慢。

3.重复抽样法(Resamplingmethod)，见He和Hu(2002)。该方法使用了MCMB(MarkovChainMarginalBootstrap)算法，这种算法能够进行高效率的运算，大大节省了运算时间。重复抽样法能够克服直接法和秩得分法的缺陷，但是对于小样本时计算出的参数估计值不够稳定。

;分位数回归参数的显著性检验方法;分位数回归模型的拟合优度;线性分位数回归模型的估计;

分位数回归的基本性质;分位数回归的渐近性质;分位数回归的渐近性质;与普通线???最小二乘回归方法的比较;第二部分：应用实例分析;分位数回归模型的软件计算;EstimationinR（);Example—Riskfactorsforlowbirthweight;Example—Riskfactorsforlowbirthweight;Example:Exploringtheriskfactorsoflowbirthweight;Example--Exploringtheriskfactorsoflowbirthweight;Aquantileregressionmodelforbirthweight;SAScodesforthebirthweightmodel;Someconclusionsforexample;AnEngelCurvesforFood:ThisfigureplotsdatatakenfromErnstEngels(1857)studyofthedependenceofhouseholdsfoodexpenditureonhouseholdincome;;分位数回归的发展;Heteroscedasticity

Robustness

Censoring

Sampleselection

Binaryresponsemodels

Paneldata

Timeseries

;分位数回归的发展;分位数回归的应用;分位数回归的应用;分位数回归的应用;分位数回归的应用;分位数回归的应用;分位数回归的应用;我们在分位数研究方面发表的论文;6.陈建宝、王登凌、程婷婷：EmpiricalStudyofRelationsbetweenStockReturnsandExchangeRateFluctuations