分位数回归模型在小域估计中的应用

小域估计问题日益受到社会各界的关注,它通常利用辅助信息和统计模型提高估计的精度。其中最常用的小域模型是混合模型,即利用域随机效应来解释域间变化,但是这种模型要求严格的假定条件,不易于处理实际中存在异常值或重尾现象的小域估计问题。本文将分位数回归模型引入小域估计中,这个模型不需要强的假定条件,可以处理实际中存在异常值或是重尾现象的小域估计问题,并通过一个模拟案例进一步说明了基于分位数回归模型的小域估计方法可以得到更加稳健的估计量．挖掘更多的信息来提高小域估计的精度,是一种比较好的小域估计方法。     

存在测量误差的面板自回归模型的工具变量估计

对于存在测量误差的面板数据自回归模型,首先讨论了POLS(Pooling OLS)和LSDV(least square of dummy variable)估计存在向零的衰减偏差及其非一致性,其次对于混合自回归模型和个体固定效应自回归模型给出了工具变量应满足的条件.研究发现这时工具变量的选择是十分困难的.     

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。     

分位数回归的方差估计和计算问题探讨

与经典OLS估计量相比,分位数回归估计量具有更强的稳健性.但由于后者方差估算的复杂性,实证研究时使用计量软件自动给出的方差估算结果的情形较多,忽略了其结果所需的条件.文章在讨论分位数回归方差估计量的大样本性质基础上,重点分析使用软件估算结果存在的问题,同时给出了避免这些问题的一些具体步骤.     

公共部门与非公共部门工资差异的分位数回归分析

本文基于浙江省城镇就业人员的微观调查数据,在考虑了部门选择的内生性后,利用工具变量分位数回归方法研究了公共部门与非公共部门间的工资差异。研究结果表明,未考虑部门选择的内生性会低估公共部门和非公共部门间的工资差异。同时,我们还发现公共部门的工资显著高于非公共部门,在各个分位数上,超出的比例大致分布在30.1%至10.7%之间。但随着分位数 的提高,两部门间的工资差距呈现递减的趋势。     

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。     

不同先验下分位数回归的贝叶斯估计:实现与比较

分位数回归是现代计量经济学研究的前沿之一,与频率学派方法相比采用贝叶斯分析方法对其进行估计具有一定的优势。基于泊松分布实现了在R中调用STAN对分位数回归进行贝叶斯估计,将尺度参数进行参数化,并比较参数化与否对模型估计系数统计性质的影响;在此基础上通过模拟实验研究参数先验分布的设定对参数估计量统计性质的影响,结果表明:参数化后得到的估计量统计性质更好;适当的先验分布可以提高Hamiltonian Monte Carlo抽样估计量的统计性质。     

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。     

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.     

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。     

IV估计框架下模型设定检验问题的讨论

 IV估计框架下各种统计量的良好性质依赖于相应的模型设定,如果这些模型设定未能得到数据的支持,其统计推断结论将是不可靠的。如判定计量经济模型是否存在内生性的Hausman检验,实证研究中同一问题的检验结果可能大相径庭。如何通过合理的模型设定检验程序来获得模型参数科学、可靠的估计结果和检验结论呢？本文讨论了工具变量估计框架下的各种模型设定检验问题,明确了各个检验统计量的适用条件及其逻辑联系,给出了工具变量估计框架下模型设定检验的一般步骤。     

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。     

样本选择参数分位回归模型及其在工资分布分解中的应用

在工资差距分解问题中,研究者经常会遇到样本选择偏差问题,直接忽略会导致最终估计结果产生严重偏差,同时在众多工资差距分解方法中,相比于均值分解,分布分解方法更受研究者青睐。针对参数分位回归,本文首次提出可加形式与非可加形式的样本选择参数分位回归（SSPQR）模型,并基于这两类样本选择参数分位回归模型给出修正样本选择偏差后的参数分位回归工资差距分布分解方法。运用上述方法及已有的工资分布分解方法,借助CHNS2015年度城镇数据,本文研究了我国城镇男女工资差距及差距分解问题,得出以下结论：①男女工资差距主要来源是性别歧视问题;②经过样本选择偏差修正后,实际的工资差距更大,歧视问题更严重;③男女工资差距程度在不同分位点上结果不同,换句话说,我们不能简单地仅从平均水平来判断工资差距程度;④与其他已有方法计算结果比较发现,SSPQR计算的工资差距程度更大。     

基于分位点回归模型的条件VaR估计以及杠杆效应分析

 在文献中,分析杠杆效应时大多数都是基于ARCH类模型,本文应用分位点回归模型及其变点检测模型分析了“已实现”波动率条件下的CVaR,并尝试从CVaR的角度对杠杆效应进行分析。最后,对中国股票市场进行了实证研究,得到了“已实现”波动率条件下的CVaR估计,并对中国股市的杠杆效应进行了分析。     

空间滞后模型的贝叶斯估计

本文采用Bayes方法对空间滞后模型进行全面分析。在构建模型的贝叶斯框架时,对模型系数与误差方差分别选取正态先验分布和逆伽玛先验分布,这样以便获得参数的联合后验分布和条件后验分布。在抽样估计时,文章主要使用MCMC方法,同时还设计了一个简单随机游动Metropolis抽样器,以方便从空间权重因子系数的条件后验分布中进行抽样。最后应用所建议的方法进行数值模拟。     

Non-iterative Estimation and Variable Selection in the Single-index Quantile Regression Model

A new estimation procedure is proposed for the single-index quantile regression model. Compared to existing work, this approach is non-iterative and hence, computationally efficient. The proposed method not only estimates the index parameter and the link function but also selects variables simultaneously. The performance of the variable selection is enhanced by a fully adaptive penalty function motivated by the sliced inverse regression technique. Finite sample performance is studied through a simulation study that compares the proposed method with existing work under several criteria. A data analysis is given that highlights the usefulness of the proposed methodology.     

缺失数据下的逆概率多重加权分位回归估计及其应用

数据缺失问题普遍存在于应用研究中。在随机缺失机制假定下,本文从模型推断角度出发,针对线性缺失分位回归模型,提出一种新的有效估计方法——逆概率多重加权（IPMW）估计。该方法是在逆概率加权（IPW）估计的基础上,结合倾向得分匹配及模型平均思想,经过多次估计,加权确定最终参数估计结果。该方法适用于响应变量是独立同分布或独立非同分布的情形,并适用于绝大多数缺失场景。经过理论推导及模拟研究发现,IPMW估计量在继承IPW估计量的优势上具有更稳健的性质。最后,将该方法应用于含有缺失数据的微观调查数据中,研究了经济较发达的准一线城市中等收入群体消费水平的影响因素,对比两种估计方法的估计结果及置信带,发现逆概率多重加权估计量的标准偏差更小,估计结果更稳健。     

面板数据的分位回归方法及其模拟研究

文章讨论了含有固定效应的面板数据模型,给出了3种估计未知参数的分位回归方法,蒙特卡洛模拟结果显示这些分位回归方法是处理面板数据的有效手段,且在误差非正态时优于均值回归方法。文章最后给出了一个真实数据的建模案例,得到了有利于决策的有用参考信息。