Koenker et Machado décrivent , une mesure locale de la qualité de l'ajustement au quantile particulier ( ).[1]R1τ
SoitV(τ)=minb∑ρτ(yi−x′ib)
Soit et les estimations de coefficient pour le modèle complet et un modèle restreint, et soit et soit les termes correspondants .β^(τ)β~(τ)V^V~V
Ils définissent la qualité de l'ajustement critère .R1(τ)=1−V^V~
Koenker donne le code pour ici ,V
rho <- function(u,tau=.5)u*(tau - (u < 0))
V <- sum(rho(f$resid, f$tau))
Donc, si nous calculons pour un modèle avec une interception uniquement ( - ou dans l'extrait de code ci-dessous), puis un modèle sans restriction ( ), nous pouvons calculer un qui est - au moins théoriquement - un peu comme le habituel .VV~V0
V^R1 <- 1-Vhat/V0
R2
Edit: Dans votre cas, bien sûr, le deuxième argument, qui serait mis à l'endroit où se f$tau
trouve l'appel dans la deuxième ligne de code, sera la valeur que tau
vous avez utilisée. La valeur de la première ligne définit simplement la valeur par défaut.
«Expliquer la variance de la moyenne» n'est vraiment pas ce que vous faites avec la régression quantile, donc vous ne devriez pas vous attendre à avoir une mesure vraiment équivalente.
Je ne pense pas que le concept de traduise bien en régression quantile. Vous pouvez définir différentes quantités plus ou moins analogues, comme ici, mais peu importe ce que vous choisissez, vous n'aurez pas la plupart des propriétés du vrai dans la régression OLS. Vous devez être clair sur les propriétés dont vous avez besoin et ce que vous n'avez pas - dans certains cas, il peut être possible d'avoir une mesure qui fait ce que vous voulez.R2R2
-
[1] Koenker, R et Machado, J (1999),
Goodness of Fit and Related Inference Processes for Quantile Regression,
Journal of the American Statistical Association, 94 : 448, 1296-1310.