Quantile Regression: Welche Standardfehler?

Die summary.rqFunktion aus der Quantreg-Vignette bietet eine Vielzahl von Auswahlmöglichkeiten für Standardfehlerschätzungen von Quantilregressionskoeffizienten . In welchen speziellen Szenarien wird jedes dieser Szenarien optimal / wünschenswert?

"rank", das Konfidenzintervalle für die geschätzten Parameter erzeugt, indem ein Rangtest wie in Koenker (1994) beschrieben invertiert wird. Die Standardoption setzt voraus, dass die Fehler iid sind, während die Option iid = FALSE den Vorschlag von Koenker Machado (1999) implementiert. Weitere Argumente finden Sie in der Dokumentation zu rq.fit.br.
"iid", das davon ausgeht, dass die Fehler iid sind, und eine Schätzung der asymptotischen Kovarianzmatrix wie in KB (1978) berechnet.
"nid", das die lokale (in Tau) Linearität (in x) der bedingten Quantilfunktionen voraussetzt und eine Huber-Sandwich-Schätzung unter Verwendung einer lokalen Schätzung der Sparsity berechnet.
"ker", das eine Kernschätzung des von Powell (1990) vorgeschlagenen Sandwichs verwendet.
"boot" implementiert eine von mehreren möglichen Bootstrapping-Alternativen zur Schätzung von Standardfehlern.

Ich habe mindestens 20 empirische Arbeiten gelesen, in denen dies entweder in der Zeitreihe oder in der Querschnittsdimension angewendet wird, und habe keine Erwähnung der Standardfehlerauswahl gesehen.

r standard-error quantile-regression estimators

— Jase
quelle

Ich hoffe, Sie erhalten viele Antworten auf diese ausgezeichnete Frage. Wir brauchen eine Anleitung in diesem Bereich. Ein anderer Ansatz, der durch die Funktion des R- rmsPakets vereinfacht wird, bootcovbesteht darin, die Bootstrap-Replikat-Regressionskoeffizienten ( s) zu speichern und den nichtparametrischen Bootstrap-Perzentil-Konfidenzintervall-Ansatz zu verwenden, um Konfidenzintervalle für jeden interessierenden Kontrast (Kombination von s) zu erhalten.

β

$\beta$

β

$\beta$

— Frank Harrell

Ausgezeichnete Frage, mir wurde in der Klasse gesagt, dass ich "immer Bootstrapping verwenden" soll, aber ich weiß nicht genau warum, da ich mit der Theorie hinter den anderen Methoden nicht vertraut bin.

— Max Gordon

Haben Sie die Arbeit Koenker and Hallock (2000): Quantile Regression: An Introduction ( econ.uiuc.edu/~roger/research/intro/rq.pdf ) durchgearbeitet ? Bootstrap ist vorzuziehen, da es keine Vermutung über die Verteilung der Antwort zulässt (S. 47, Quantile Regressionen, Hao und Naiman, 2007). Beachten Sie auch, dass die "... Annahmen für das asymptotische Verfahren in der Regel nicht zutreffen, und selbst wenn diese Annahmen erfüllt sind, ist es schwierig, den Standardfehler der konstruierten Skalen- und Versatzverschiebungen zu lösen (S. 43). . "

— Metriken

Nimmt Bootstrap Resampling nicht an, dass der Uniform Prior nicht informativ ist?

— EngrStudent

@Metrics: Vielleicht solltest du das als Antwort posten?

— Naught101

Haben Sie die Arbeit Koenker and Hallock (2000): Quantile Regression: An Introduction (econ.uiuc.edu/~roger/research/intro/rq.pdf) durchgearbeitet? Bootstrap ist vorzuziehen, da es keine Vermutung über die Verteilung der Antwort zulässt (S. 47, Quantile Regressionen, Hao und Naiman, 2007). Beachten Sie auch, dass die "... Annahmen für das asymptotische Verfahren in der Regel nicht zutreffen, und selbst wenn diese Annahmen erfüllt sind, ist es schwierig, den Standardfehler der konstruierten Skalen- und Versatzverschiebungen zu lösen (S. 43). . "

— Metriken
quelle