精华内容
下载资源
问答
  • Stata:面板分位数回归

    千次阅读 2021-07-31 17:16:10
    原文链接:... E.... D.... C.... B.... A.... 2. 面板分位数回归模型 2.1 模型设定 2.2 固定效应模型估计 3. Stata 范例 参考资料 1. 引言 在前叙推文中,我们介绍了 Stata ...

    原文链接:https://www.lianxh.cn/news/6ba0fa6f18710.html


    目录


    1. 引言

    在前叙推文中,我们介绍了 Stata 的分位数回归应用,参见 「武翰涛 - 分位数回归简介」 和「胡雨霄 - 分位数回归及 Stata 实现」。分位数回归估计作为一种模型估计方法,能够较为准确描述解释变量 X 对于被解释变量 Y 的变化范围以及条件分布形状的影响。其中,分位数回归方程可以定义为:

    其中, 表示被解释变量的第  个条件分位数, 表示解释变量在第  个分位数下的回归系数估计,其中 。若要得到  的参数估计,需要求解加权绝对残差和最小化问题,即:

    随着面板数据的广泛使用,面板分位数回归也随之出现。结合分位数回归与面板数据,采用分位数回归的方法对面板数据变量的参数进行估计,不仅能够更好的控制个体的异质性,而且能够分析在特定的分位数处自变量对因变量的边际效应,所以采用面板分位数回归可以使各个变量参数结果更加显著,具有更高的实际意义。接下来我们将介绍面板分位数回归模型的两种形式,并主要展示固定效应面板分位数回归模型的估计。

    原文链接:https://www.lianxh.cn/news/6ba0fa6f18710.html

    展开全文
  • 这是一本对面板分位数回归方法和案例的综述性文章,150页左右,PDF格式。
  • 分位数回归(Stata)

    万次阅读 多人点赞 2020-01-08 20:53:30
    基于分位数回归的成都空气质量指数的数据分析 空气质量指数计算公式为: (1)线性回归模型得到的是一种条件均值,并未考虑到因变量总体上的分布特征,在需要了解因变量位置(分位数)上的信息时,线性回归就...

    基于分位数回归的成都空气质量指数的数据分析

    空气质量指数计算公式为:

    I=\frac{I_{high}-I_{low}}{C_{high}-C_{low}}(C-C_{low})+I_{low}

    1)线性回归模型得到的是一种条件均值,并未考虑到因变量总体上的分布特征,在需要了解因变量位置(分位数)上的信息时,线性回归就显示出了不足。

    2)线性(均值)回归模型最基本的假设之一正态分布,随机误差且独立时,通过最小二乘法得到的参数估计值是最小方差无偏估计。但是现实生活中大多数数据是不满足正态分布的,这时如果仍然用线性回归模型进行分析,由于在假设检验中值的计算依赖正态性假设,可能会造成值的有偏性,从而导致假设检验无效。若样本数据中存在异方差性或数据的分布是尖峰厚尾的,最小二乘估计量则不具有上述的良好性质。

    3)当样本数据中有离群点存在时,用线性回归模型计算得到的参数估计值可能有较大的偏差,因此,在进行回归拟合时通常会是在去掉离群点后建立线性(均值)回归模型,但这会使离群点在一些社会科学研究中丧失研究意义。

    而分位数回归模型相对于一般的线性(均值)回归模型来说,条件更为宽泛,可以描述因变量的全局特征,而不只是均值。另一方面,分位数回归模型具有稳健性,模型的估计值通常不受离群点的影响,从这一角度来说,分位数回归有较强的稳健性。

    Q_{\theta }(y|x)=X^T\beta (\theta )+b(\theta )

    模型检验:

    模型显著性检验(Wald检验)、系数的显著性检验(t统计量)、不同分位数模型的联合相等检验、拟合优度检验(R方)

    实证分析

    对AQI作描述性分析,画出箱线图和QQ图

     

    样本数据中AQI的中位数较小,且有较大的离群点,QQ图为一条曲线且不是对称的,与正态QQ线相差较大,综合来说,样本数据中的AQI并不满足正态分布,而分位数回归模型对数据的分布没有要求,因此可以用分位数回归模型来分析样本数据。

    为了消除由于量纲不同对数据的分析结果造成影响,对数据进行归一化处理,将数据固定在了(0,1)范围内。

    PM2.5PM10SO2CONO2O3浓度为自变量,以AQI为因变量,建立分位数分别为0.250.500.75的位数回归模型(QRM)。

    不同分位数回归模型下系数的显著性不同,但基本都是有4个变量对AQI的影响是显著的,并且每个模型中PM2.5浓度对应的系数绝对值最大,说明它对AQI的影响程度最大。

    0.05显著性水平下,只有O3浓度对应的系数在3个模型中是不联合相等的,即在不同的分位数模型中O3浓度对AQI的影响程度不同,不能随意剔除,而其他的变量在0.05显著性水平下是联合相等的,即在不同的分位数回归模型中对AQI影响效果在一定程度上相同,存在剔除的可能。

    模型优化:向后剔除法剔除系数不显著的变量。

    下图描述了在不同分位数水平下的回归模型系数的置信区间,分位数从0.010.99上等距变化。图中深色的曲线表示不同分位数水平下各自变量对应的系数估计值,灰色区域表示系数的95%置信区间,深色虚线表示均值回归模型中各系数的估计值,两侧的浅色虚线之间为均值回归模型中系数的95%置信区间。

    随着分位数的增大,各系数的置信区间在逐渐变宽,O3浓度对应的系数估计值的置信区间先变宽后变窄。系数的置信区间变宽说明系数估计值的标准差在逐渐变大,系数估计值的波动性在增强。以上系数置信区间图中,只有O3浓度对应的系数估计值是具有单调性,不存在“分位数交叉问题”,即在不同的分位数水平下,O3浓度对AQI的影响不同,其余变量在不同分位数水平下对AQI的影响效果在一定程度上相同。另外,除PM2.5浓度对应的系数估计值基本在均值回归模型的系数置信区间内之外,其余系数的估计值基本不在均值回归模型的系数置信区间之内,尤其是低分位数和高分位数上,差别较大,这也进一步说明了均值回归模型在一定程度上具有不合理性,分位数回归模型可以更好地解释变量间的关系。

    1788个样本平均分为3等份,分别为第1-596597-11921193-1788个样本数据。对新组成的3个样本数据重新进行分位数为0.250.500.75的分位数回归模型。

    总结:

    线性(均值)回归模型只是通过拟合均值表达数据的集中趋势,无法刻画数据的位置(分位点)上的变化,在满足假设的情况下,线性(均值)回归具有较好的拟合效果,但是分位数回归模型具有较好的稳健性,并且能描述数据不同位置(分位点)上的估计值,当数据不满足假设条件时尤其是数据呈偏态分布时,分位数回归模型拟合效果更好。

    部分Stata代码:
    *读取数据,数据处理
    insheet using E:\计量论文\成都市空气质量指数.csv
    rename o3_8h o3
    *描述性统计
    asdoc sum
    *QQ图
    qnorm aqi
    *箱线图
    graph box aqi
    *相关系数
    asdoc pwcorr aqi pm25 pm10 so2 co no2 o3, star(all) nonum replace
    *归一化处理
    egen maqi =min(aqi)
    egen Maqi =max(aqi)
    gen aqi_=(aqi-maqi)/(Maqi-maqi)
    
    egen mpm25 =min(pm25)
    egen Mpm25 = max(pm25)
    gen pm25_=(pm25-mpm25)/(Mpm25-mpm25)
    
    egen mpm10 =min(pm10)
    egen Mpm10 =max(pm10)
    gen pm10_=(pm10-mpm10)/(Mpm10-mpm10)
    
    egen mso2 =min(so2)
    egen Mso2 =max(so2)
    gen so2_=(so2-mso2)/(Mso2-mso2)
    
    egen mco =min(co)
    egen Mco =max(co)
    gen co_=(co-mco)/(Mco-mco)
    
    egen mno2 =min(no2)
    egen Mno2 =max(no2)
    gen no2_=(no2-mno2)/(Mno2-mno2)
    
    egen mo3 =min(o3)
    egen Mo3 =max(o3)
    gen o3_=(o3-mo3)/(Mo3-mo3)
    
    *分位数回归
    eststo : quietly regress aqi_ pm25_ pm10_ so2_ co_ no2_ o3_
    eststo : quietly qreg aqi_ pm25_ pm10_ so2_ co_ no2_ o3_ ,quantile(.25)
    eststo : quietly qreg aqi_ pm25_ pm10_ so2_ co_ no2_ o3_ ,quantile(.50)
    eststo : quietly qreg aqi_ pm25_ pm10_ so2_ co_ no2_ o3_ ,quantile(.75)
    asdoc esttab est2 est3 est4 est5, b p t staraux
    *Wald检验
    qreg aqi_ pm25_ pm10_ so2_ co_ no2_ o3_ ,quantile(.25)
    test pm25_ pm10_ so2_ co_ no2_ o3_
    qreg aqi_ pm25_ pm10_ so2_ co_ no2_ o3_ ,quantile(.50)
    test pm25_ pm10_ so2_ co_ no2_ o3_
    qreg aqi_ pm25_ pm10_ so2_ co_ no2_ o3_ ,quantile(.75)
    test pm25_ pm10_ so2_ co_ no2_ o3_
    *联合相等检验
    sqreg aqi_ pm25_ pm10_ so2_ co_ no2_ o3_,q(.25,.50,.75)
    test[q25=q50=q75]:pm25_
    test[q25=q50=q75]:pm10_
    test[q25=q50=q75]:so2_
    test[q25=q50=q75]:co_
    test[q25=q50=q75]:no2_
    test[q25=q50=q75]:o3_
    *向后剔除(最终)
    eststo : quietly qreg aqi_ pm25_ pm10_ o3_ ,quantile(.25)
    eststo : quietly qreg aqi_ pm25_ pm10_ o3_ ,quantile(.50)
    eststo : quietly qreg aqi_ pm25_ pm10_ o3_ ,quantile(.75)
    asdoc esttab est1 est2 est3 , b p t staraux
    *检验过程代码同上
    *稳健性检验(归一化代码同上)
    insheet using E:\计量论文\数据1.csv
    eststo : quietly qreg aqi1_ pm251_ pm101_ o31_ ,quantile(.25)
    eststo : quietly qreg aqi_ pm251_ pm101_ o31_ ,quantile(.50)
    eststo : quietly qreg aqi_ pm251_ pm101_ o31_ ,quantile(.75)
    asdoc esttab est1 est2 est3 , b p t staraux
    insheet using E:\计量论文\数据2.csv
    eststo : quietly qreg aqi1_ pm252_ pm102_ o32_ ,quantile(.25)
    eststo : quietly qreg aqi_ pm252_ pm102_ o32_ ,quantile(.50)
    eststo : quietly qreg aqi_ pm252_ pm102_ o32_ ,quantile(.75)
    asdoc esttab est1 est2 est3 , b p t staraux
    insheet using E:\计量论文\数据3.csv
    eststo : quietly qreg aqi1_ pm253_ pm103_ o33_ ,quantile(.25)
    eststo : quietly qreg aqi_ pm253_ pm103_ o33_ ,quantile(.50)
    eststo : quietly qreg aqi_ pm253_ pm103_ o33_ ,quantile(.75)
    asdoc esttab est1 est2 est3 , b p t staraux
    

     

     

     

    展开全文
  • 基于R语言的分位数回归(quantile regression)

    万次阅读 多人点赞 2017-12-18 17:45:21
    分位数回归(quantile regression) 这一讲,我们谈谈分位数回归的知识,我想大家传统回归都经常见到。分位数回归可能大家见的少一些,其实这个方法也很早了,大概78年代就有了,但是那个时候这个理论还不完善。到...

    分位数回归(quantile regression)
    这一讲,我们谈谈分位数回归的知识,我想大家传统回归都经常见到。分位数回归可能大家见的少一些,其实这个方法也很早了,大概78年代就有了,但是那个时候这个理论还不完善。到2005年的时候,分位数回归的创立者Koenker R写了一本分位数回归的专著,剑桥大学出版社出版的。今年本来老爷子要出一本《handbook of quantile regression》,还没有正式出来呢,目前来看,分位数回归应用的范围非常广。在金融领域尤为重要。下面先给大家简单介绍一下,分位数回归的基本原理,完后拿R做一个完整的案例。为什么拿R软件,因为分位数回归的发明者最早拿R写了一个包,叫quantreag,是当时唯一一个分位数回归的包,现在的话,看到python,julia也有相关的包了。但是感觉这个R的还是最好的。
    那么什么是分位数回归呢,这个就要从传统的回归说起,传统回归呢,一般叫最小二乘回归,也叫均值回归。这个均值是指条件均值。比较抽象,在前面有一篇博文中,我比较详细地解释过。那么分位数回归就是均值回归的拓展,也就是它可以拟合均值以外的其它分位点,形成多条回归线,这里首先需要强调的是分位数回归的分位点是指因变量y的分位点,不是x的。这样我们如果设定多个分位点就得到了多条回归直线。当然分位数回归现在也发展出来非线性分位数回归,就是可以拟合出多条曲线,或者和广义线性回归模型一样可以适用二值变量。要说分位数回归具体的原理,后面有空再细谈。下面我们拿R语言做一个案例,大家就可以逐渐感受到分位数回归具体的含义了。案例所用的数据呢,大家应该都比较熟悉,就是收入和食品消费支出的数据,下面看代码。

    #导入分位数回归的包
    library(quantreg)                         
    # 引入数据
    data(engel)
    #查看数据格式
    mode(engel)
    [1] "list"
    #查看变量名
    names(engel)
    [1] "income"  "foodexp"
    #查看格式
    class(engel)
    [1] "data.frame"
    #查看数据的前五行
    head(engel)
    income  foodexp
    1 420.1577 255.8394
    2 541.4117 310.9587
    3 901.1575 485.6800
    4 639.0802 402.9974
    5 750.8756 495.5608
    6 945.7989 633.7978
    #画个散点图看看数据
    plot(engel$income, engel$foodexp, xlab='income', ylab='foodexp')

    图是这样的
    原始数据散点图
    下面我们继续简单查看一下数据

    #查看foodexp的变化范围
    boxplot(engel$foodexp, xlab='foodexp')
    #简单验证一下因变量foodexp是否服从正态分布
    qqnorm(engel$foodexp, main='QQ plot')
    qqline(engel$foodexp, col='red', lwd=2)

    结果如下:
    foodexp变化范围
    下面是QQ图
    QQ图
    结果表明,因变量y明显不服从正态分布,但是呢,分位数回归不要求y服从正态分布,不仅如此,而且分位数回归还对异常值点不敏感。下面我们继续,为了对比,我们仍然做一个均值回归,再做一个分位数回归。

    #可以直接调用数据框里变量
    attach(engel)
    #设置0.05, 0.25, 0.5, 0.75, 0.95五个分位点,并且进行分位数回归,这样可以得到五条分位数回归线
    rq_result <- rq(foodexp ~ income, tau=c(0.05, 0.25, 0.5, 0.75, 0.95))
    summary(rq_result)
    Call: rq(formula = foodexp ~ income, tau = c(0.05, 0.25, 0.5, 0.75, 
        0.95))
    
    tau: [1] 0.05
    
    Coefficients:
                coefficients lower bd  upper bd 
    (Intercept) 124.88004     98.30212 130.51695
    income        0.34336      0.34333   0.38975
    
    Call: rq(formula = foodexp ~ income, tau = c(0.05, 0.25, 0.5, 0.75, 
        0.95))
    
    tau: [1] 0.25
    
    Coefficients:
                coefficients lower bd  upper bd 
    (Intercept)  95.48354     73.78608 120.09847
    income        0.47410      0.42033   0.49433
    
    Call: rq(formula = foodexp ~ income, tau = c(0.05, 0.25, 0.5, 0.75, 
        0.95))
    
    tau: [1] 0.5
    
    Coefficients:
                coefficients lower bd  upper bd 
    (Intercept)  81.48225     53.25915 114.01156
    income        0.56018      0.48702   0.60199
    
    Call: rq(formula = foodexp ~ income, tau = c(0.05, 0.25, 0.5, 0.75, 
        0.95))
    
    tau: [1] 0.75
    
    Coefficients:
                coefficients lower bd  upper bd 
    (Intercept)  62.39659     32.74488 107.31362
    income        0.64401      0.58016   0.69041
    
    Call: rq(formula = foodexp ~ income, tau = c(0.05, 0.25, 0.5, 0.75, 
        0.95))
    
    tau: [1] 0.95
    
    Coefficients:
                coefficients lower bd upper bd
    (Intercept) 64.10396     46.26495 83.57896
    income       0.70907      0.67390  0.73444
    #上面就是没条回归线的回归系数,我们做个图看一下
    plot(income, foodexp, cex=0.25, type='n', xlab='income', ylab='foodexp')
    points(income, foodexp, cex=0.5, col='blue')
    #加中位数数回归的直线
    abline(rq(foodexp~income, tau=0.5), col='blue')
    #加均值回归的五条直线
    abline(lm(foodexp~income), lty=2, col='red')
    #将分位数回归的五条线加上去
    taus <- c(0.05, 0.1, 0.25, 0.75, 0.9, 0.95)
    #
    for (i in 1:length(taus)){
      abline(rq(foodexp~income, tau=taus[i]), col='gray')
    }
    
    

    效果如下:
    效果图
    从上图,我们可以看到,分位数回归可以拟合出多条直线,这个对于我们数据分布比较复杂的时候,很有用处,每条线反应了不同档次下,自变量与因变量的关系。实际上这个只是分位数回归的一小部分应用,得到不同分位点下的数据,我们还可以进行概率密度估计,得到相应的概率密度预测。
    这一讲我们就到这。

    展开全文
  • 本文想在R软件中更好地了解分位数回归优化。在查看分位数回归之前,让我们从样本中计算中位数或分位数。

    原文链接:http://tecdat.cn/?p=18422

    原文出处:拓端数据部落公众号

    本文想在R软件中更好地了解分位数回归优化。在查看分位数回归之前,让我们从样本中计算中位数或分位数。

    中位数

    考虑一个样本 。要计算中位数,请求解

    可以使用线性编程技术解决。更确切地说,这个问题等同于

    为了说明,考虑对数正态分布的样本,

    n = 123 
    set.seed(132)
    y = rlnorm(n)
    median(y)
    [1] 1.01523

    对于优化问题,使用具有3n个约束和2n + 1参数的矩阵形式,

    
    r = lp("min", c(rep(1,2*n),0),
    
    tail(r$solution,1) 
    [1] 1.01523

    分位数

    当然,我们可以将之前的代码改编为分位数

    tau = .3
    quantile(x,tau)
          30% 
    0.674124

    线性程序

    R代码

    
    r = lp("min", c(rep(tau,n),rep(1-tau,n),0),
    
    
    [1] 0.674124

    分位数回归(简单)

    考虑一个数据集,该数据集是一个主要城市的单位租金与面积,建筑年龄等的函数。

    分位数回归的线性程序

    与ai,bi≥0和

    在这里使用

    require(lpSolve) 
    
    r = lp("min",
           c(rep(tau,n , rep(1-tau,n),0,0 , rbind(A1, A2 ,
           c(rep( =", 2*n , rep("=", n) , c(rep(0,2*n), y 
    tail(r$solution,2)
    [1] 147.845234   3.273453

    我们可以使用R函数来拟合该模型

    
    rq(ren~are , tau=tau 
    Coefficients:
    (Intercept)        are 
     147.845234   3.273453

    我们可以使用不同的概率水平来获得图

    plot( area, rent,xlab=expression
    tau = .9
    r = lp("min",
           c(re au,n), rep(1-tau  rbind(A1 2),
           c(rep , 2*n), rep("=", n)), c( ,2*n) y)) 
    
    

    多元分位数回归

    现在,我们尝试使用两个协变量呢,例如,让我们看看是否可以将单位的租金解释为面积的(线性)函数和建筑年龄。

    
    r = lp("min",
           c(rep(ta n), rep(1- au,n),0,0, , rbin 1, A2),
            (r p("&  ,  n), rep("=  n)),  (rep(0 *n), y)) 
    tail(r$sol ,3)
    [1] 0.000  3.224  0.073 

    
    Coefficients:
     (Intercept)         are         year 
    -5322.503252     3.428135     2.637234

    结果是完全不同的。可以用IRLS  –迭代加权最小二乘确认后者

    for(s in 1:500){
    
      reg = lm(rent ~area+year ,
    weigts= tau*(eps t;0 1-tau) eps&lt ))/ s(e ))
     
    }
    reg$coefficients
     (Intercept)         area        year
    -5485.433043     3.932134     2.842943

    我们可以使后者拟合多元回归,

    
    lp("min",c,A consttype,b)
    beta = r$sol[1:K  -  r$sol (1:K+K) 
    beta
    [1] -5542.633252     3.958135     2.857234

    与之比较

    
    rq(rent~ area + year, tau=tau 
     
    Coefficients:
     (Intercept)         area        yearc 
    -5542.633252     3.958135     2.857234
     
    Degrees of freedom: 4571 total; 4568 residual


    最受欢迎的见解

    1.R语言多元Logistic逻辑回归 应用案例

    2.面板平滑转移回归(PSTR)分析案例实现

    3.matlab中的偏最小二乘回归(PLSR)和主成分回归(PCR)

    4.R语言泊松Poisson回归模型分析案例

    5.R语言回归中的Hosmer-Lemeshow拟合优度检验

    6.r语言中对LASSO回归,Ridge岭回归和Elastic Net模型实现

    7.在R语言中实现Logistic逻辑回归

    8.python用线性回归预测股票价格

    9.R语言如何在生存分析与Cox回归中计算IDI,NRI指标

    展开全文
  • 250 # max_depth: 每一个学习器的最大深度,限制回归树的节点数目,默认为3 # min_samples_split: 可以划分为内部节点的最小样本数,9 # min_samples_leaf: 叶节点所需的最小样本数,9 clf.fit(X, y) # Make the ...
  • 详细介绍了分位数回归的原理,并阐述了如何用Eviews实现
  • 基于Bootstrap分位数回归的金融传染实证分析--来自金砖五国BRICS股市的证据,贾凯威,吴芊惠,深入捕捉经济危机前后国际大宗商品因子、金融市场与新兴股国家市间的因果关系及传染机制对金融风险预警与防范意义重大。...
  • 分位数回归的r语言代码

    千次阅读 2015-12-13 19:32:28
    setwd("I:/研一课程/2.2回归分析/R/data")#设定当前的工作目录,重要! d library("quantreg") fit1=rq(waiting~eruptions,tau=0.5,data=d) fit1 summary(fit1) r1=resid(fit1) #残差序列 c1=coef(fit1) #...
  • 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 | ...
  • 3.1 无条件固定效应面板分位数回归 3.2 基于 RIF 回归的 UQR 4. 部分无条件分位数回归 5. 参考资料 6. 相关推文   1. 简介 实际上,Koenker 和 Bassett (1978) 提出的只是条件分位数回归 (CQR) 方法。...
  • 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...
  • 分位数回归的R语言实现

    千次阅读 2014-11-10 21:38:35
    转载自: E文看这篇:http://www.econ.uiuc.edu/~roger/research/rq/vig.pdf 中文看这篇:... 工具:R中的quantreg包 主要的分位数回归命令:rq(),nlrq(),lprq(),boot.rq等   rq(formula,
  • 在R语言中进行面板数据分析面板数据(PanelData)是截面数据与时间序列数据综合起来的一种数据类型。它有时间序列和截面两个维度,当这类数据按两个维度排列时,是排在一个平面上,与只有一个维度的数据排在一条线上...
  • 分位数回归估计作为一种模型估计方法,能够较为准确描述解释变量X对于被解释变量Y的变化范围以及条件分布形状的影响。其中,分位数回归方程可以定义为: 其中,表示被解释变量的第个条件分位数,表示解释变量在第...
  • 现在,分位数回归已被确立为重要的计量经济学工具。与均值回归(OLS)不同,目标不是给定x的均值,而是给定x的一些分位数。您可以使用它来查找具有良好上升潜力的股票。
  • 3. Stata软件实现实例论文1篇(空间面板分位数回归模型) (1) McMillen D P. Quantile Regression for Spatial Data[M].Springer, 2012. 第7讲 空间联立方程模型(2课时) 1. 截面空间联立方程模型的GS2SLS和GS3...
  • 全文阅读:qrprocess:高效好用的分位数回归命令-T313| 连享会主页 ... 相关推文」),包括总体分位数,样本分位数以及面板分位数回归模型。 全文阅读:qrprocess:高效好用的分位数回归命令-T
  • 目录 0. 简介 1. 分位数回归基本命令:qreg 2. 分位数回归绘图命令: grqreg ... 面板数据分位数回归命令:qregpd 例子 4. 非条件分位数固定效应模型回归命令: xtrifreg 0. 简介 最小二乘法 (OLS) ..
  • result: stationary ## 协整检验 # Engle-Granger reg(datas$hp~datas$lp+datas$Ltax+datas$PCGDP) summary(reg) error(reg) adf.test(error) # result: residuals stationary ### 面板数据回归 hpdatas(datas,...
  • 摘要如何在对参数进行估计的同时自动选择重要解释变量,一直是面板数据回归模型中讨论的热点问题之一。通过构造一种含多重随机效应的贝叶斯分层回归模型,在假定固定效应系数先验服从一种新的条件Laplace...
  • 3.1 无条件固定效应面板分位数回归 3.2 基于 RIF 回归的 UQR 4. 部分无条件分位数回归 5. 参考资料 6. 相关推文 1. 简介 Koenker and Bassett (1978) 提出了条件分位数回归 (CQR) 方法,从此开启了大家对
  • 固定效应用within,随机效应用overall STATA随机效应模型应该使用R2-overall,固定效应模型应该使用R2-within
  • 分位数Granger因果检验实现原理

    千次阅读 2020-04-11 12:59:25
    Sup-Wald检验量为: sup⁡WT=sup⁡i=1,⋯ ,nWT(τi)\sup W_{T}=\sup _{i=1, \cdots, n} W_{T\left(\tau_{i}\right)} supWT​=i=1,⋯,nsup​WT(τi​)​ Python在进行分位数回归时,方差默认为核估计 分位数方差核...
  • library(pdR)library(plm)library(plm)###读取数据,面板数据为中国...data=read.csv("trsp.csv",sep=",",head=T)trsp.data=plm.data(data)###pdR包中进行面板门限回归的主函数为ptm(),主要参数包括:被解释变量...
  • 文章以IPAT拓展模型和环境库兹涅茨模型为根本,构建出理论模型,通过面板分位数回归方法,对象为我国31省市2002—2016年的面板数据,以此来研究人口规模,经济增长和技术创新对工业SO2,工业废水的影响。实证结果表明,人口...
  • 教程列表:4固定效应变截距面板数据模型Stata软件操作教程7Hausman固定效应随机效应检验-面板数据模型Stata软件操作教程3混合面板数据模型-Stata软件操作教程1数据输入-面板数据模型Stata软件操作教程8面板单位根LLC...
  • 基于2003-2012年中国272个地级市的面板数据和劳动力流动理论,本文采用分位数回归和OLS回归研究了劳动力流动与城乡收入差距之间的关系。 实证结果表明:劳动力流动可以有效缩小城乡之间的收入差距,并且随着分位数...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 412
精华内容 164
关键字:

面板分位数回归