일부 모델에 Quantile Regression을 사용하는 데 관심이 있지만이 방법을 사용하여 달성 할 수있는 사항에 대해 설명하고 싶습니다. 나는 특히 특이 치와 이분산성에 직면했을 때 IV / DV 관계에 대한보다 강력한 분석을 얻을 수 있지만 내 경우에는 예측에 중점을 둔다는 것을 이해합니다.
특히 더 복잡한 비선형 모델이나 부분 선형 회귀에 의존하지 않고 모델의 적합도를 높이고 싶습니다. 예측시 예측 변수 값을 기반으로 가장 높은 확률 결과 Quantile을 선택할 수 있습니까? 즉, 예측 변수의 값을 기반으로 각 예측 결과 양자 확률을 결정할 수 있습니까?
답변:
Quantile 회귀 분석에서 모형의 오른쪽은 OLS와 같은 다른 회귀 모형과 동일한 구조 및 가정 유형을 갖습니다. Quantile 회귀와의 주요 차이점은 파라 메트릭 분포 조작 (예 : )에 의존하지 않고 에 대한 조건부 분포 분포를 직접 예측 하고 잔차의 분포 형태가 다른 것으로 가정하지 않는다는 것입니다. 가 연속 변수 라고 가정하는 것보다
Quantile regression은 종속 변수의 Quantile 예측에 관한 것입니다. "정규"회귀 분석에서는 DV의 평균을 예측합니다. 그러나 DV의 다른 부분에 관심이있을 수 있습니다. 예를 들어 어떤 신생아가 매우 가벼울 지, 어떤 곡이 매우 인기가 있는지, 또는 고객이 많은 물건을 살 것인지 예측하는 데 관심이있을 수 있습니다.
나는 작년 에 NESUG에 대한 논문을 썼습니다 .