cuantil de regresión: ¿Qué errores estándar?

35

La summary.rqfunción de la viñeta quantreg ofrece una multitud de opciones para las estimaciones de error estándar de los coeficientes de regresión de cuantiles. ¿Cuáles son los escenarios especiales en los que cada uno de ellos se convierte en óptima / deseable?

  • "rango" que produce intervalos de confianza para los parámetros estimados al invertir una prueba de rango como se describe en Koenker (1994). La opción predeterminada supone que los errores son iid, mientras que la opción iid = FALSE implementa la propuesta de Koenker Machado (1999). Consulte la documentación de rq.fit.br para ver argumentos adicionales.

  • "iid", que supone que los errores son iid y calcula una estimación de la matriz de covarianza asintótica como en KB (1978).

  • "Nid", que supone local (en tau) linealidad (en X) de la las funciones de cuantiles condicionales y calcula una estimación sándwich Huber usando una estimación local de la escasez.

  • "ker", que utiliza una estimación de kernel del sándwich propuesto por Powell (1990).

  • "boot" que implementa una de varias posibles alternativas de arranque para estimar errores estándar.

He leído al menos 20 documentos empíricos donde esto se aplica ya sea en la serie temporal o en la dimensión transversal y no he visto una mención de la elección de error estándar.

r standard-error quantile-regression estimators Jase
fuente
8
Espero que obtenga muchas respuestas a esta excelente pregunta. Necesitamos alguna orientación en esta área. Otro enfoque, facilitado por la función rmsdel paquete R bootcoves guardar los coeficientes de regresión de replicación bootstrap ( s) y utilizar el enfoque de intervalo de confianza percentil no paramétrico bootstrap para obtener intervalos de confianza para cualquier contraste (combinación de β s) de interés. ββ
Frank Harrell
Excelente pregunta, me dijeron en la clase "siempre use bootstrapping" pero no estoy seguro exactamente por qué, ya que no estoy familiarizado con la teoría detrás de los otros métodos.
Max Gordon
44
¿Revisó el artículo Koenker y Hallock (2000): Regresión cuantil : una introducción ( econ.uiuc.edu/~roger/research/intro/rq.pdf )? Bootstrap es preferible porque no presupone la distribución de la respuesta (p. 47, Regresiones cuantiles, Hao y Naiman, 2007). Además, tenga en cuenta que los "... supuestos para el procedimiento asintótico generalmente no se cumplen, e incluso si se cumplen estos supuestos, es complicado resolver el error estándar de la escala construida y los cambios de inclinación (p. 43) .. . "
Métricas
¿El muestreo de bootstrap no supone que el uniforme anterior no es informativo?
EngrStudent - Restablece a Monica el
@Metrics: ¿Tal vez deberías publicar eso como respuesta?
naught101

Respuestas:

5

¿Revisó el artículo Koenker y Hallock (2000): Regresión cuantil: una introducción (econ.uiuc.edu/~roger/research/intro/rq.pdf)? Bootstrap es preferible porque no presupone la distribución de la respuesta (p. 47, Regresiones cuantiles, Hao y Naiman, 2007). Además, tenga en cuenta que los "... supuestos para el procedimiento asintótico generalmente no se cumplen, e incluso si se cumplen estos supuestos, es complicado resolver el error estándar de la escala construida y los cambios de inclinación (p. 43) ... ".

Métrica
fuente