Quantile regression: ข้อผิดพลาดมาตรฐานใด


35

summary.rqฟังก์ชั่นจากบทความ quantregให้ความหลากหลายของตัวเลือกสำหรับการประมาณการข้อผิดพลาดมาตรฐานของสัมประสิทธิ์การถดถอย quantile สถานการณ์พิเศษอะไรบ้างที่แต่ละสถานการณ์มีความเหมาะสมที่สุด

  • "อันดับ" ซึ่งสร้างช่วงความเชื่อมั่นสำหรับพารามิเตอร์ที่ประเมินโดยการคว่ำการทดสอบยศตามที่อธิบายไว้ใน Koenker (1994) ตัวเลือกเริ่มต้นจะถือว่าความผิดพลาดคือ iid ในขณะที่ตัวเลือก iid = FALSE ใช้ข้อเสนอของ Koenker Machado (1999) ดูเอกสารประกอบสำหรับ rq.fit.br สำหรับข้อโต้แย้งเพิ่มเติม

  • "iid" ซึ่งสันนิษฐานว่าข้อผิดพลาดคือ iid และคำนวณการประมาณค่าเมทริกซ์ความแปรปรวนร่วมแบบ asymptotic เช่นเดียวกับใน KB (1978)

  • "nid" ซึ่งทึกทักท้องถิ่น (เป็นเอกภาพ) เป็นเชิงเส้น (ใน x) ของฟังก์ชั่นที่เป็นเงื่อนไขและคำนวณคำนวณแซนวิชฮิวเบอร์โดยใช้ประมาณการท้องถิ่นของกระจัดกระจาย

  • "เคอร์" ซึ่งใช้การประเมินเคอร์เนลของแซนด์วิชตามที่เสนอโดย Powell (1990)

  • "boot" ซึ่งใช้หนึ่งในหลาย ๆ ทางเลือกในการบู๊ตที่เป็นไปได้เพื่อประเมินข้อผิดพลาดมาตรฐาน

ฉันได้อ่านเอกสารเชิงประจักษ์อย่างน้อย 20 เรื่องซึ่งมีการนำไปใช้ในชุดเวลาหรือมิติตัดขวางและไม่เคยเห็นการกล่าวถึงตัวเลือกข้อผิดพลาดมาตรฐาน


8
ฉันหวังว่าคุณจะได้รับคำตอบมากมายสำหรับคำถามที่ยอดเยี่ยมนี้ เราต้องการคำแนะนำในพื้นที่นี้ อีกวิธีหนึ่งทำง่ายโดยการ R rmsแพคเกจของbootcovฟังก์ชั่นคือการประหยัดค่าสัมประสิทธิ์การถดถอยซ้ำบูต ( s) และใช้งานบูตอิงความเชื่อมั่นที่ร้อยละวิธีการช่วงเวลาที่จะได้รับช่วงความเชื่อมั่นความคมใด ๆ (รวมกันของβ s) ที่น่าสนใจ ββ
Frank Harrell

คำถามที่ยอดเยี่ยมฉันถูกบอกในชั้นเรียนว่า "ใช้ bootstrapping เสมอ" แต่ฉันไม่แน่ใจว่าทำไมเพราะฉันไม่คุ้นเคยกับทฤษฎีที่อยู่เบื้องหลังวิธีอื่น
Max Gordon

4
คุณผ่านกระดาษ Koenker และ Hallock (2000): Quantile Regression: บทนำ ( econ.uiuc.edu/~roger/research/intro/rq.pdf ) หรือไม่ Bootstrap เป็นที่นิยมมากกว่าเพราะไม่มีข้อสันนิษฐานเกี่ยวกับการกระจายการตอบสนอง (หน้า 47, การถดถอยเชิงปริมาณ, Hao และ Naiman, 2007) นอกจากนี้โปรดทราบว่า "... สมมติฐานสำหรับกระบวนการ asymptotic มักจะไม่ถือและแม้ว่าสมมติฐานเหล่านี้จะพึงพอใจก็มีความซับซ้อนในการแก้ปัญหาข้อผิดพลาดมาตรฐานของระดับที่สร้างขึ้นและความเบ้กะ (หน้า 43) .. . "
ตัวชี้วัด

bootstrap resampling ใหม่ไม่ได้ถือว่าเครื่องแบบก่อนหน้านี้ไม่มีข้อมูลหรือไม่
EngrStudent - Reinstate Monica

@Metrics: บางทีคุณควรโพสต์สิ่งนั้นเป็นคำตอบ?
naught101

คำตอบ:


5

คุณผ่านกระดาษ Koenker และ Hallock (2000): Quantile Regression: บทนำ (econ.uiuc.edu/~roger/research/intro/rq.pdf) หรือไม่ Bootstrap เป็นที่นิยมมากกว่าเพราะไม่มีข้อสันนิษฐานเกี่ยวกับการกระจายการตอบสนอง (หน้า 47, การถดถอยเชิงปริมาณ, Hao และ Naiman, 2007) นอกจากนี้โปรดทราบว่า "... สมมติฐานสำหรับกระบวนการ asymptotic มักจะไม่ถือและแม้ว่าสมมติฐานเหล่านี้จะพึงพอใจก็มีความซับซ้อนในการแก้ปัญหาข้อผิดพลาดมาตรฐานของระดับที่สร้างขึ้นและความเบ้กะ (หน้า 43) .. ."

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.