Bình phương R trong hồi quy lượng tử


21

Tôi đang sử dụng hồi quy lượng tử để tìm các yếu tố dự đoán về phân vị thứ 90 của dữ liệu của mình. Tôi đang làm điều này trong R bằng cách sử dụng quantreggói. Làm thế nào tôi có thể xác định r2 cho hồi quy lượng tử, điều này sẽ cho biết mức độ biến thiên đang được giải thích bởi các biến dự đoán?

Điều tôi thực sự muốn biết: "Bất kỳ phương pháp nào tôi có thể sử dụng để tìm mức độ biến đổi đang được giải thích?". Mức ý nghĩa của các giá trị P có sẵn trong đầu ra của lệnh : summary(rq(formula,tau,data)). Làm thế nào tôi có thể có được sự tốt đẹp của phù hợp?


7
không liên quan đến hồi quy lượng tử. R2
whuber

@whuber: Bất kỳ phương pháp thay thế nào tôi có thể sử dụng để tìm mức độ biến đổi đang được giải thích?
rnso

2
Đó sẽ là một điều tốt để hỏi trong cơ thể câu hỏi của bạn, thay vì chôn vùi trong một bình luận! "Giải thích về sự thay đổi" (dù được đo theo phương sai, dù sao) về cơ bản là một khái niệm bình phương nhỏ nhất; có lẽ những gì bạn muốn là một thước đo thích hợp có ý nghĩa thống kê hoặc có thể là sự phù hợp.
whuber

Đối với bất kỳ con số công đức nào bạn cần xem xét điều gì sẽ là hiệu suất tốt, điều gì sẽ là hiệu suất kém và điều gì sẽ không liên quan. Ví dụ, không có chỉ trích về phân vị thứ 90 nếu đó là một yếu tố dự đoán tệ hại của phân vị thứ 10. Điểm chuẩn của bạn có thể là bất cứ điều gì bạn có thể sử dụng nếu bạn không sử dụng hồi quy lượng tử. Nếu dự đoán của bạn là liên tục, điều đó có thể khó xác định.
Nick Cox

1
@whuber: Tôi đã thêm rằng trong cơ thể của câu hỏi. Mức ý nghĩa theo giá trị P có sẵn trong đầu ra tóm tắt (rq (công thức, tau, dữ liệu)). Làm thế nào tôi có thể có được sự tốt đẹp của phù hợp?
rnso

Câu trả lời:


23

Koenker và Machado [ 1 ] diễn tả R 1 , một biện pháp địa phương của sự tốt lành của sự phù hợp tại (đặc biệt τ ) quantile.[1]R1τ

Hãy V(τ)=minbρτ(yixib)

Hãy β ( τ )~ β ( τ ) là ước tính hệ số cho mô hình đầy đủ, và một mô hình hạn chế, và để cho V~ V là tương ứng với V về.β^(τ)β~(τ)V^V~V

Họ xác định sự tốt lành của sự phù hợp tiêu chí .R1(τ)=1V^V~

Koenker cung cấp mã cho ở đây ,V

rho <- function(u,tau=.5)u*(tau - (u < 0))
V <- sum(rho(f$resid, f$tau))

Vì vậy, nếu chúng ta tính toán cho một mô hình với một đánh chặn chỉ ( ~ V - hoặc trong đoạn mã dưới đây) và sau đó là một mô hình không hạn chế ( V ), chúng ta có thể tính toán một đó là - ít nhất notionally - hơi như thường lệ R 2 .VV~V0V^R1 <- 1-Vhat/V0R2

Chỉnh sửa: Trong trường hợp của bạn, tất nhiên, đối số thứ hai, sẽ được đặt ở vị trí f$tautrong cuộc gọi trong dòng mã thứ hai, sẽ là giá trị nào taubạn sử dụng. Giá trị trong dòng đầu tiên chỉ đặt mặc định.

'Giải thích phương sai về giá trị trung bình' thực sự không phải là những gì bạn đang làm với hồi quy lượng tử, vì vậy bạn không nên mong đợi có một biện pháp thực sự tương đương.

Tôi không nghĩ rằng khái niệm chuyển dịch tốt sang hồi quy lượng tử. Bạn có thể định nghĩa các đại lượng tương tự nhiều hơn hoặc ít hơn, như ở đây, nhưng cho dù bạn chọn gì, bạn sẽ không có hầu hết các thuộc tính mà R 2 thực có trong hồi quy OLS. Bạn cần phải rõ ràng về những tính chất bạn cần và những gì bạn không - trong một số trường hợp có thể có một biện pháp thực hiện những gì bạn muốn.R2R2

-

Koenker, R và Machado, J (1999), Mức độ phù hợp và các quá trình suy luận liên quan cho hồi quy lượng tử, Tạp chí của Hiệp hội thống kê Mỹ,94: 448, 1296-1310[1]


Có nên tau = 0,9 chứ không phải 0,5?
Dimitriy V. Masterov

Đúng, nó nên, nhưng nếu bạn cung cấp đúng đối số thứ hai (như được thực hiện trong dòng thứ hai tôi đã trích dẫn ở trên), thì đó là cách nó hoạt động. Giá trị 0,5 trong dòng đầu tiên chỉ đơn giản là một đối số mặc định nếu bạn không chỉ định taukhi bạn gọi hàm. Tôi sẽ làm rõ trong bài.
Glen_b -Reinstate Monica

@Glen_b Cảm ơn bạn đã giải thích. Trừ khi tôi đang làm một cái gì đó ngu ngốc, V dường như là tổng của độ lệch trọng về quantile ước tính, chứ không phải là một pseudo- . R2
Dimitriy V. Masterov 16/12/14

@Dimitriy Uh, bạn nói đúng, tôi đã bỏ qua một cái gì đó. Tôi sẽ sửa nó ngay.
Glen_b -Reinstate Monica

@Dimitriy Tôi nghĩ rằng tôi đã sửa nó ngay bây giờ.
Glen_b -Reinstate Monica

19

Các pseudo- biện pháp được đề xuất bởi Koenker và Machado (1999) trong Jasa đo sự tốt lành của sự phù hợp bằng cách so sánh tổng của độ lệch trọng cho mô hình hấp dẫn với tổng tương tự từ một mô hình trong đó chỉ xuất hiện đánh chặn. Nó được tính nhưR2

R1(τ)=1yiy^iτ|yiy^i|+yi<y^i(1τ)|yiy^i|yiy¯τ|yiy¯|+yi<y¯i(1τ)|yiy¯|,

nơi y i = alpha τ + beta τ x là được trang bị τ thứ quantile để quan sát tôi , và ˉ y = beta τ là giá trị được trang bị từ mô hình đánh chặn-only.y^i=ατ+βτxτiy¯=βτ

phải nằm trong [ 0 , 1 ] , trong đó 1 sẽ tương ứng với một sự phù hợp hoàn hảo vì tử số bao gồm tổng sai lệch có trọng số sẽ bằng không. Nó là mộtđịa phươngbiện pháp phù hợp cho QRM vì nó phụ thuộc vào τ , không giống như toàn cầu R 2 từ OLS. Đó được cho là nguồn gốc của các cảnh báo về việc sử dụng nó: nếu mô hình của bạn phù hợp với phần đuôi, không có gì đảm bảo rằng nó phù hợp với bất kỳ nơi nào khác. Cách tiếp cận này cũng có thể được sử dụng để so sánh các mô hình lồng nhau.R1(τ)[0,1]τR2

Đây là một ví dụ trong R:

library(quantreg)
data(engel)

fit0 <- rq(foodexp~1,tau=0.9,data=engel)
fit1 <- rq(foodexp~income,tau=0.9,data=engel)

rho <- function(u,tau=.5)u*(tau - (u < 0))
R1 <- 1 - fit1$rho/fit0$rho

Điều này có lẽ có thể được thực hiện thanh lịch hơn.


Công thức của bạn không hiển thị tốt. Sau dấu trừ đăng nhập: R_1(\tau) = 1 - 􀀀ký tự cuối cùng là một loại lộn xộn. Bạn có thể kiểm tra điều đó? Có thể bạn đã dán một số ký tự không chuẩn thay vì sử dụng Tex.
Tim

@Tim Tôi không thấy bất cứ điều gì lạ, trong tex hoặc trên màn hình.
Dimitriy V. Masterov 16/12/14

Nó trông như thế này trên cả linux và windows: snag.gy/ZAp5T.jpg
Tim

@Tim Cái hộp đó không tương ứng với bất cứ thứ gì, vì vậy nó có thể bị bỏ qua. Tôi sẽ cố gắng chỉnh sửa nó sau từ một máy khác.
Dimitriy V. Masterov
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.