变量惩罚效应在贝叶斯分位数回归模型的应用

尽管贝叶斯分位数回归方法能够有效克服经济金融数据的尖峰厚尾、结构突变等问题,充分借鉴已有研究成果信息,但是其并不能很好解决多维变量模型的维数灾难问题.为此,文章在贝叶斯分位数回归基础上,结合自适应Lasso变量惩罚作用,构建了基于MH抽样的自适应Lasso惩罚贝叶斯分位数回归模型.通过仿真模拟实验以及MCMC链条检验,证明上述模型具有优良拟合性质,尤其是在小样本情形下.     

贝叶斯分位数回归组间组内变量选择及其应用

文章利用贝叶斯方法研究分位数回归的组间和组内双变量选择问题。基于偏态拉普拉斯分布和贝叶斯统计推断方法,结合组间和组内系数的Spike-and-Slab先验分布,提出了分位数回归的贝叶斯双层变量选择方法,并给出易于实施的Gibbs后验抽样算法。通过大量数值模拟和实证分析验证了所提变量选择方法的有效性。     

两维异质性面板分位数模型的双惩罚回归方法

文章关注系数具有两维异质性结构的面板分位数模型,基于SCAD惩罚函数和MCP惩罚函数提出双惩罚最小加权绝对偏差目标函数,同时进行参数估计和两维异质性结构识别。利用ADMM算法求解目标函数,并使用BIC信息准则通过网格搜索选择最优调节参数。根据蒙特卡洛模拟结果验证了所提方法的有限样本性质,最后使用实际数据检验了其应用效果。研究结果表明：所提出的方法能够准确识别两维异质性结构,并且Post估计量的参数估计精确度接近于Oracle估计量。     

超高维数据下部分线性可加分位数回归模型的变量选择

在超高维数据中,一方面,协变量的维数可能远远大于样本量,甚至随着样本量以指数级的速度增长;另一方面,超高维数据通常是异质的,协变量对条件分布中心的影响可能与他们对尾部的影响大不相同,甚至会出现重尾以及异常点的复杂情况。文章在协变量维度发散且为超高维的情况下研究了部分线性可加分位数回归模型的变量选择和稳健估计问题。首先,为了实现模型的稀疏性和非参数光滑性,引入了一种非凸Atan双惩罚,并采用分位迭代坐标下降算法来解决所提方法的优化问题。在选择适当正则化参数的情况下,证明了所提双惩罚估计量的理论性质。其次,通过模拟研究对所提方法的性能进行验证。模拟结果表明,所提方法比其他惩罚方法具有更好的表现,尤其是在数据存在重尾的情况下。最后,通过基于癌症筛查病人血液样本数据的实证来验证所提方法的实用性。     

基于分位数回归的面板数据模型估计方法

文章在对分位数回归基本原理进行全面分析说明的基础上,对其在面板数据模型中的应用作了深入分析。利用1998～2006年25个行业企业销售收入与专利申请数量的面板数据,分别采取最小二乘法和分位数回归法进行参数估计和比较分析,结果表明：分位数回归方法在进行面板数据模型估计时具有明显的优势。     

分位数回归与上证综指VaR研究

把极端分位数所具有的行为特征应用到VaR的研究中,建立上海股市收益率的条件分位数回归模型,描述其在极端分位数下的变化趋势。同时选取适当的尾部模型,并在此基础之上应用外推法预测非常极端分位数下的条件VaR,并与直接由分位数回归模型预测的结果进行比较。结果表明：两种方法得到的结果变化趋势都是一致的,由外推法预测的结果相对小一些。     

函数型分位数回归的局部稀疏估计方法

文章针对协变量为函数型变量、响应变量为标量的函数型分位数回归模型,提出了一种局部稀疏估计方法,能够正确识别系数函数的空子区域。首先,使用非对称拉普拉斯分布构建函数型分位数回归的全似然函数,并通过EM算法推导出系数向量的估计式。其次,提出了一种结合样条光滑和平滑剪切绝对偏离方法的局部稀疏估计方法。数值模拟结果表明,该估计方法在不同的样本量和分位点下均优于传统方法。最后,通过实例证明了估计方法的有效性。     

基于分位数回归的FDI城市分布影响因素研究

中国的外商直接投资(FDI)主要集中在部分城市,其在城市间的分布呈现出均值左偏的特征。针对FDI在城市间分布不具备正态性且存在较多离群点的问题,运用一般分位数回归方法分析1994-2012年影响FDI在中国287个城市分布的影响因素。研究表明,劳动力成本、市场规模和潜力、制度质量、人力资本、基础设施和当地竞争环境都是影响FDI城市分布的重要因素。同时,各因素对FDI影响程度随FDI城市分位的变化而变化。市场规模与潜力、政府效率、人力资本对FDI的影响随分位点增高有明显下降趋势,而基础设施对FDI的促进作用随分位点增高而上升。     

半连续Bernoulli-Normal两部回归模型及变量选择

对于半连续两部回归模型,考虑到每个回归部分都会遇到大量的候选变量,此时就会产生变量选择问题。文章主要研究Bernoulli-Normal两部回归模型的变量选择问题。先提出一种基于Lasso惩罚函数的变量选择方法,但考虑到Lasso估计量不具有Oracle性质,又提出一种基于自适应Lasso惩罚函数的变量选择方法。模拟结果表明：两种方法都能够对Bernoulli-Normal回归模型进行变量选择,且自适应Lasso方法的变量选择性能往往优于Lasso方法。     

分位数回归及应用简介

文章介绍了分位数回归法的概念、算法及主流统计软件R和SAS计算时的语法,并通过实例与以普通最小二乘法为基础的线性回归进行了对比,展现了分位数回归的巨大魅力。     

基于分位数回归模型的证券市场风险研究

文章利用分位数回归模型对我国上证与深证市场进行实证研究表明,该模型能有效度量证券市场的在险价值,对证券市场的风险度量有助于投资者认识股市风险,将有助于投资者做出正确的投资决策。     

无条件分位数回归：文献综述与应用实例

条件分位数回归(conditional quantile regression,CQR)方法已成为经济学实证研究的常用方法之一。由于CQR结果的经济学阐释基于过多甚至是不必要的控制变量,这与人们所关心的问题有可能并不一致。例如,在劳动经济学对教育回报的研究中,无论个体的年龄,性别与家庭特征如何,教育程度对于个人收入的异质性影响是人们关注的重点,即人们想了解收入关于教育程度的无条件分位数估计。本文旨在介绍近年来发展起来的无条件分位数回归(unconditional quantile regression,UQR)技术并梳理相关文献。特别地,本文介绍三种重要的无条件分位数回归模型：Firpo, Fortin和Lemieux(2009)提出的的再中心化影响函数(recentered influence function, RIF) 回归,Frolich和Melly(2010)提出的无条件分位数处理效应模型与Powell(2010)提出的一般无条件分位数回归。另外,论文还运用一个研究居民收入分配格局变化对其医疗支出影响的实例详细说明了新方法的应用。     

分位数回归技术综述

普通最小二乘回归建立了在自变量X=x下因变量Y的条件均值与X的关系的线性模型。而分位数回归（Quantile Regression）则利用自变量X和因变量y的条件分位数进行建模。与普通的均值回归相比,它能充分反映自变量X对于因变量y的分布的位置、刻度和形状的影响,有着十分广泛的应用,尤其是对于一些非常关注尾部特征的情况。文章介绍了分位数回归的概念以及分位数回归的估计、检验和拟合优度,回顾了分位数回归的发展过程以及其在一些经济研究领域中的应用,最后做了总结。     

一种刻画不同水平研究对象的统计方法:分位数回归

一般线性回归分析的是研究对象的平均水平受到其它因素影响的程度大小,难以知道处在不同水平的研究对象受各种因素影响程度.文章介绍分数回归方法,以便能让更多的读者对这种新的统计研究方法有所了解.     

教育投资风险的区域差异分析——基于分位数回

本文从明瑟收入方程入手,在1987—2005年完整的教育发展的面板数据的基础上．利用分位数回归对我国三个地区的三个不同阶段的教育投资风险进行实证分析。结果表明：我国东部、西部、中部地区在不同分位点下的教育收益率各不相同,而且不同阶段的教育投资风险存在显著差异。东部、中部的教育投资风险呈上升趋势、西部的教育投资风险呈下降趋势。     

阿基米德Copula分位数回归曲线推导与模拟

文章把分位数回归理论和相关结构函数Copula结合起来,介绍了分位数回归和相关结构函数Copula,给出了阿基米德Copula和Copula分位数回归曲线的定义,推导出了阿基米德Copu-la分位数回归曲线。最后,通过模拟研究表明Copula分位数回归估计方法的精确性。     

房价影响因素分析:分位数回归方法

文章利用分位数回归方法研究了各种房屋属性对于其售价的影响,结果表明不同属性对于房屋售价的影响随着所考察的分位数不同而变化.得到不同属性对于房屋销售价格影响更全面的描述.     

我国碳排放收敛性:基于面板数据的分位数回归

文章介绍了分位数回归方法以及碳排放量出现收敛的相关原因。通过研究全国28个省碳排放的变异系数,对碳排放做σ收敛分析;然后运用分位数回归对各省的面板数据做绝对β收敛分析。进一步,引入控制变量,建立条件β收敛模型,进行分位数的相对收敛性研究。结果表明,各省区普遍存在绝对收敛和条件收敛,但不存在俱乐部收敛;从长远看,省际间人均碳排放量的差距将会自动消除,碳排放量终将成为一个通用的标准化指标。     

分位数回归的思想与简单应用

与普通最小二乘法相比,分位数回归能够更充分反映自变量对不同部分因变量的分布产生不同的影响,有着十分广泛的应用。本文对分位数回归的思想做了一个简单的介绍,并将其方法应用于恩格尔定律中,比较分析了异方差和同方差下分位数回归与普通最小二乘法的优劣。     

面板数据的贝叶斯Elastic Net分位数回归方法及其应用研究

本文首次将Elastic Net这种用于高度相关变量的惩罚方法用于面板数据的贝叶斯分位数回归,并基于非对称Laplace先验分布推导所有参数的后验分布,进而构建Gibbs抽样。为了验证模型的有效性,本文将面板数据的贝叶斯Elastic Net分位数回归方法(BQR. EN)与面板数据的贝叶斯分位数回归方法(BQR)、面板数据的贝叶斯Lasso分位数回归方法(BLQR)、面板数据的贝叶斯自适应Lasso分位数回归方法(BALQR)进行了多种情形下的全方位比较,结果表明BQR. EN方法适用于具有高度相关性、数据维度很高和尖峰厚尾分布特征的数据。进一步地,本文就BQR. EN方法在不同扰动项假设、不同样本量的情形展开模拟比较,验证了新方法的稳健性和小样本特性。最后,本文选取互联网金融类上市公司经济增加值(EVA)作为实证研究对象,检验新方法在实际问题中的参数估计与变量选择能力,实证结果符合预期。