分位数回归模型及其应用研究

《分位数回归模型及其应用研究》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、2008年中国数量经济学会年会论文第一组计量经济学理论与方法分位数回归模型及其应用研究王桂胜王桂胜：男，1970年生，首都经济贸易大学劳动经济学院副教授，清华大学经管学院博士生。（首都经济贸易大学，北京，100026）摘要：本文在对分位数回归方法的含义和基本原理进行全面分析说明的基础上，对分位数回归方法在PANELDATA模型中的应用作了深入分析，并对不同回归估计方法在PANELDATA模型中的估计效果进行了比较分析。在此基础上，通过分别采取一般最小平方法和分位数回归法对中国15省区的人均消费和人均收入的回归方程估计的统计结果比较，发现分位

2、数回归方法在进行某些特殊的PANELDATA模型估计时具有一定的优势。关键词：分位数回归、面板数据模型、惩罚分位数回归估计72008年中国数量经济学会年会论文一、分位数回归研究介绍自Koenker和Bassett(1978)提出线性分位数回归理论以来，分位数回归（QR）即成为近几十年来发展较快、应用广泛的回归模型方法，它不仅深化了对传统回归模型的理解，而且也推广了回归模型的类型和应用，使得回归模型拟合有关统计数据更加准确细致。分位数回归模型是在稳健估计模型基础上发展形成。稳健估计（RobustEstimation）理论包括基于一般凸损失函数

3、的M估计理论、基于样本秩统计量的R估计理论和基于样本次序统计量的L估计理论等。分位数回归强调以解释变量的分位数来估计推断因变量的分位数，通过建立分位数估计方程，并运用线性规划方法或非参数估计等方法来估计相应于不同分位数的解释变量系数或未知参数。分位数回归是中位数回归和均值回归的推广。分位数回归模型具体又分为四分位数回归、十分位数回归、百分位数回归、LOGIT分位数回归、审查分位数回归等模型。关于分位数回归研究的最近发展，主要表现在分位数回归技术方法和方法应用等两方面的研究上。具体包括Koenker和ZhijieXiao(2000)解决分位数

4、回归过程中存在的特定推断问题;Kim和Muller(2000)关于双步分位数回归的渐进特性的研究;Tasche(2001)对最小分位数回归的无偏性研究;Chernozhukov和HanHong(2002)提出对审查分位数回归的三步评估法;吴建南、Bret-schneider等(2002)用蒙特卡罗(MonteCarlo)方法产生100个随机数据集合来比较显著权重分析方法与分位数回归的优劣;Kottas和Krnjaji′c提出分位数回归中的贝叶斯非参数模型;Koenker(2004)将分位数回归方法运用于PANELDATA模型估计中，并提出了

5、PQR估计技术及相关理论证明，在此基础上CARLOSLAMARCHE（2006）对PQR估计方法进一步深入探讨并结合实际数据进行实证分析等等。此外是对分位数回归方法的应用研究。在这一方面,Barnes和W.Hughes(2002)利用分位数回归对跨部门公债市场的回收进行了分析;Buhai(2004)在分析介绍了分位数回归方法的基础上,研究了它在持续时期模型和循环结构等式模型中的应用;Leggett和Craighead利用分位数回归确定了时间分布和特定风险驱动的影响。国内也有很多学者将分位数回归估计方法运用于医学卫生事业研究、公共管理事业等具

6、有极值分布特点的统计数据研究中。具体如教育收益率估计分析、劳工歧视因素分析等等。本文将在系统介绍分位数回归模型的含义和基本原理的基础上，重点分析将分位数回归方法与PANELDATA模型结合分析的主要形式和估计原理以及相关结果。第二节讨论分位数回归方法的一般原理以及PQR估计原理，在此基础上提出关于PANELDATA的分位数回归模型的PQR估计方法；第三节分析分位数回归方法在PANELDATA模型中的应用以及数据模拟；第四节对本文的分析结果进行总结。二、分位数回归模型原理（一）分位数回归的基本原理一般线性回归模型可设定如下：在满足高斯-马尔可

7、夫假设前提下，可表示如下：72008年中国数量经济学会年会论文其中，为待估解释变量系数。上述模型即均值回归模型表达式，是对等式两边取数学期望的结果。类似于均值回归模型，也可设定中位数回归模型如下：其中，为关于x的条件中位数，为随机扰动项的中位数。以及分位数回归模型如下：对于均值回归模型，可采取最小平方法（OLS）估计未知参数；对于中位数回归模型，可采取最小一乘法（或称最小绝对偏差法LAD）；而对于分位数回归模型，则可采取线性规划法（LP）估计其最小加权绝对偏差，从而得到解释变量的回归系数。分别可表示如下：OLS法：求解得：LAD法：求解得：

8、QR法：求解得：其中，。（二）PANELDATA模型与分位数回归方法考虑一般PANELDATA模型，表达式如下：其中，i代表不同的样本个体，t代表不同的样本观察时点，u表示随机误