文档介绍：基于Eviews的分位数回归分析郭明11-17归分位数回归(QuantileRegression)提供了回归变量X和因变量Y的分位数之间线性关系的估计方法。相对于最小二乘估计,分位数回归模型具有四个方面的优势:(1)分位数模型特别适合具有异方差性的模型;(2)对条件分布的刻画更加的细致,能给出条件分布的大体特征。每个分位点回归都赋予条件分布上某个特殊点(中央或尾部)一些特征(3)分位数回归并不要求很强的分布假设,在扰动项非正态的情形下,分位数估计量可能比最小二乘估计量更为有效。(4)与最小二乘法通过使误差平方和最小得到参数的估计不同,分位数回归是通过使加权误差绝对值之和最小得到参数的估计,因此估计量不容易受到异常值的影响,从而估计更加稳健。归的基本思想和系数估计假设随机变量Y的概率分布为:()Y的分位数定义为满足F(y)的最小y值,即:,()的分位点可以由最小化关于的目标函数得到,即:()其中,argmin{}函数表示取函数最小值时的取值,(u)u(I(u<0))称为检查函数(checkfunction),依据u取值符号进行非对称的加权。小化问题的一阶条件为:()即F()=,也就是说F(Y)的第个分位数是上述优化问题的解。(1)Siddiqui差商法(2)(Bootstrap)(1)X-Y自举法(2)残差自举方法(3),分位数回归模型也可以计算拟合优度。在分位数回归中,参数估计是通过()得到的。将数据写为xi=(1,xi1),()=(0(),1()),这样式()可以写为()最小化分位数回归的目标函数(objectivefunction),得到()中只包含常数项情形下,最小化分位数回归的目标函数(objectivefunction),得到()定义分位数回归方程的Machado拟合优度为()R1()位于0~1之间,R1()越大说明模型估计的越好,反之R1()越小模型估计越差。可以看出,这与用普通最小二乘法估计的传统回归方程中定义的拟合优度R2类似,分位数回归拟合优度的计算是基于分位数回归方程目标函数的最小值与只用常数项作为解释变量时的分位数回归方程目标函数最小值的关系。(Quasi-LRTest)(QuantileProcessTesting)(1)斜率相等检验(SlopeEqualityTesting)(2)对称检验(SymmetryTesting),在方程设定对话框的估计方法中选择“QREG”,打开分位数回归估计对话框:“Quantiletoestimate”后面输入值,可以输入0~1之间的任意数值,,即进行中位数回归。:其中,cs为实际居民消费,inc为实际可支配收入,tax为税收支出,考虑到财政政策通常具有时滞的特点,模型中采用滞后一期的财政支出作为解释变量。