Existe-t-il un

Ayant inclus un modèle de régression quantile dans un article, les examinateurs veulent que j'inclue ajusté dans l'article. J'ai calculé les pseudo- (d' après l'article JASA de Koenker et Machado en 1999 ) pour les trois quantiles d'intérêt pour mon étude. $R^2$ $R^2$

Cependant, je n'ai jamais entendu parler d'un ajusté pour la régression quantile et je ne saurais pas le calculer. Je vous demande l'un des éléments suivants: $R^2$

de préférence: une formule ou une approche sur la façon de calculer de manière significative un ajusté pour la régression quantile. $R^2$
alternativement: des arguments convaincants à fournir aux examinateurs pour expliquer pourquoi il n'y a pas de ajusté dans la régression quantile. $R^2$

goodness-of-fit r-squared quantile-regression

— Steve G. Jones
source

Peut-être une validation croisée?

— Christoph Hanck

@ChristophHanck: comment utiliseriez-vous la validation croisée dans ce cas?

— S.Kolassa - Rétablir Monica le

Je ne suis pas sûr, sinon j'aurais donné une bonne réponse ... Comme la question semblait susciter beaucoup d'intérêt sans générer de réponses, je voulais lancer la discussion. Mais dans l'ensemble, le

ajusté suggère qu'une sorte de sélection de modèle est l'objectif, donc CV semble être une stratégie par défaut qui fonctionne souvent même lorsqu'aucune formule spécifique reposant sur des probabilités spécifiques (comme l'AIC) n'est disponible. Il n'est cependant pas clair (pour moi) pourquoi les examinateurs veulent un

ajusté en premier lieu.

R^{2}

$R^2$

R^{2}

$R^2$

— Christoph Hanck

Cette question a déjà été posée, discutée, répondue, et elle a une réponse très votée: stats.stackexchange.com/q/129200 Merci de faire de cette réponse un commentaire.

— Toka

@Toka Merci d'avoir trouvé la référence. Bien qu'il s'agisse d'une discussion très pertinente, je n'y vois rien qui réponde à la préoccupation particulière ici, qui est un (pseudo-)

ajusté à utiliser comme analogue du

ajusté de la régression multiple des moindres carrés.

R^{2}

$R^2$

R^{2}

$R^2$

— whuber

Réponses:

Je pense que ce que les examinateurs demandent, c'est de prendre les valeurs pseudo- et de les "dissocier" pour le nombre d'échantillons dans la gamme des quantiles, , et le nombre de paramètres dans le modèle, . En d'autres termes, ajusté - dans son contexte habituel. C'est-à-dire que la fraction inexpliquée corrigée est plus grande que la fraction inexpliquée brute d'un facteur $R^2$ $n_Q$ $p$ $R^2$ , c'est-à-dire, $\frac{n_Q-1}{n_Q-p-1}$

, ou, $1-R^{2*}=\frac{n_Q-1}{n_Q-p-1}(1-R^2)$ $R^{2*}=1-\frac{n_Q-1}{n_Q-p-1}(1-R^2)$

Je suis d'accord avec vous sur l'idée d'aller trop loin, car il s'agit déjà d'une valeur pseudo- et une valeur pseudo- ajustée pourrait laisser au lecteur l'impression d'effectuer un pseudo-ajustement. $R^2$ $R^2$

Une alternative consiste à faire les calculs et à montrer aux examinateurs quels sont les résultats et à ne PAS les inclure dans le document, en expliquant que cela va au-delà des méthodes publiées que vous utilisez et que vous ne voulez pas la responsabilité d'inventer un autre document non publié. procédure pseudo- ajustée . Cependant, vous devez comprendre que la raison pour laquelle les examinateurs demandent, c'est parce qu'ils veulent avoir l'assurance qu'ils ne voient pas de charabia. Maintenant, si vous pouvez penser à une autre façon de faire exactement cela, en assurant aux examinateurs que les résultats sont fiables, alors le problème devrait disparaître ... $R^2$

Une alternative consiste à inclure plus de références ou d'informations sur le pseudovaleurs vous utilisez, surtout si vous pouvez faire preuve de robustesse ou de précision. Par exemple,un test de manque d'ajustement pour la régression quantile. Lesvaleurspseudo- essentielles à l'article, ou existe-t-il d'autres moyens d'atteindre le même objectif? $R^2$ $R^2$

Parfois, la simple suppression du problème est la chose la plus simple à faire. Oui, nous sommes d'accord avec vous, critique exalté, votre infaillibilité majestueuse est vénérée, grovel, grovel problème supprimé. $<$ $>$

— Carl
source

-1

Vous feriez mieux de ne pas utiliser $R^2$ pour comparer deux modèles de régression quantile, car la fonction de perte du modèle de régression quantile n'est pas basée sur MSE .

Vous pouvez essayer AIC ou BIC .

— Tony Huang
source

Bonjour et bienvenue sur le site. Pourriez-vous développer un peu la justification de votre première phrase?

— S.Kolassa - Rétablir Monica le

Je soupçonne qu'il peut y avoir un "non" manquant au début.

— whuber

(Mon montage était trivial et n'était pas une tentative de résoudre le doute valide de @ whuber - c'est pour l'OP.)

— Nick Cox