如果你还记得,在残差平方OLS最小化总和,而中位数回归最小化绝对残差的总和Σ 我 | ü 我 |。中位数或最小绝对偏差(LAD)估计量是分位数回归的一种特殊情况,其中q = .5。在分位数回归中,我们最小化了绝对误差之和,该绝对误差得到了过高预测(1 - q )和q的不对称权重∑一世ü2一世∑一世| ü一世∣q= .5(1− q)q对于低估。您可以从LAD表示形式开始,然后将其扩展为由和(1 − q )给定的u i值加权的数据的分数之和,并按以下方式进行处理:q(1 − q)ü一世
这只是使用以下事实:ü我=ÿ我-X ' 我 βq,然后就可以重新写指示符函数作为满足观测的总和指标条件。这将为您写下分位数回归估计量的第一个表达式。
ρq(你)= 1 (u一世> 0 )q| ü一世∣ + 1 (u一世≤ 0 )(1 − q)| ü一世∣= 1 (y一世− x′一世βq> 0 )q| ÿ一世− x′一世βq∣ + 1 (y一世− x′一世βq≤ 0 )(1 − q)| ÿ一世− x′一世βq∣
ü一世= y一世− x′一世βq
= ∑我:y一世> x′一世βqñq| ÿ一世− x′一世βq∣ + ∑我:y一世≤ X′一世βqñ(1 − q)| ÿ一世− x′一世βq∣= q∑我:y一世> x′一世βqñ| ÿ一世− x′一世βq∣ + (1 − q)∑我:y一世≤ X′一世βqñ| ÿ一世− x′一世βq∣= q∑我:y一世> x′一世βqñ(y一世− x′一世βq)− (1 − q)∑我:y一世≤ X′一世βqñ(y一世− x′一世βq)= q∑我:y一世> x′一世βqñ(y一世− x′一世βq)- Σ我:y一世≤ X′一世βqñ(y一世− x′一世βq)+ q∑我:y一世≤ X′一世βqñ(y一世− x′一世βq)= q∑我= 1ñ(y一世− x′一世βq)- Σ我= 1ñ1 (y一世− x′一世βq≤ 0 )(ÿ一世− x′一世βq)= ∑我= 1ñ(q− 1 (u一世≤ 0 ))Ü一世
ÿ一世− x′一世βqÿ一世< x′一世βq(1 − q)
q∑我:y一世> x′一世βqñ(y一世− x′一世βq)+ q∑我:y一世≤ X′一世βqñ(y一世− x′一世βq)= ∑我= 1ñ(y一世− x′一世βq)
ÿ一世− x′一世βqü一世